ترجمه فارسی مقاله یادگیری ماشینی سازگار برای بهینه‌سازی توپولوژی با مدل‌های مواد شبکه عصبی وابسته به ریزساختار

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Consistent machine learning for topology optimization with microstructure-dependent neural network material models
عنوان مقاله به فارسی یادگیری ماشینی سازگار برای بهینه‌سازی توپولوژی با مدل‌های مواد شبکه عصبی وابسته به ریزساختار
نویسندگان Harikrishnan Vijayakumaran, Jonathan B. Russ, Glaucio H. Paulino, Miguel A. Bessa
فرمت مقاله انگلیسی PDF
تعداد صفحات 32
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Materials Science,Machine Learning,Numerical Analysis,علوم مواد , یادگیری ماشین , تجزیه و تحلیل عددی ,
توضیحات Submitted 27 August, 2024; v1 submitted 25 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 27 اوت 2024 ؛V1 ارسال شده 25 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Additive manufacturing methods together with topology optimization have enabled the creation of multiscale structures with controlled spatially-varying material microstructure. However, topology optimization or inverse design of such structures in the presence of nonlinearities remains a challenge due to the expense of computational homogenization methods and the complexity of differentiably parameterizing the microstructural response. A solution to this challenge lies in machine learning techniques that offer efficient, differentiable mappings between the material response and its microstructural descriptors. This work presents a framework for designing multiscale heterogeneous structures with spatially varying microstructures by merging a homogenization-based topology optimization strategy with a consistent machine learning approach grounded in hyperelasticity theory. We leverage neural architectures that adhere to critical physical principles such as polyconvexity, objectivity, material symmetry, and thermodynamic consistency to supply the framework with a reliable constitutive model that is dependent on material microstructural descriptors. Our findings highlight the potential of integrating consistent machine learning models with density-based topology optimization for enhancing design optimization of heterogeneous hyperelastic structures under finite deformations.

چکیده به فارسی (ترجمه ماشینی)

روشهای تولید افزودنی همراه با بهینه سازی توپولوژی باعث ایجاد ساختارهای چند مقیاس با ریزساختار مواد با مکانی متفاوت کنترل شده شده است.با این حال ، بهینه سازی توپولوژی یا طراحی معکوس چنین ساختارهایی در حضور غیرخطی ها به دلیل هزینه روشهای همگن سازی محاسباتی و پیچیدگی پارامتر کردن پاسخ ریزساختاری ، همچنان یک چالش است.یک راه حل برای این چالش در تکنیک های یادگیری ماشین است که نگاشتهای کارآمد و متفاوت بین پاسخ مواد و توصیف کننده های ریزساختاری آن را ارائه می دهند.این کار چارچوبی را برای طراحی ساختارهای ناهمگن چند مقیاس با ریزساختارهای مختلف با ادغام یک استراتژی بهینه سازی توپولوژی مبتنی بر همگن با یک رویکرد یادگیری ماشین سازگار مبتنی بر تئوری هایپراستیسم ارائه می دهد.ما از معماری های عصبی استفاده می کنیم که به اصول فیزیکی انتقادی مانند پلی کنیوکسی بودن ، عینیت ، تقارن مواد و قوام ترمودینامیکی پایبند هستند تا چارچوب را با یک مدل سازنده قابل اعتماد که به توصیف کننده های ریزساختاری مواد وابسته است ، تأمین کند.یافته های ما پتانسیل ادغام مدل های یادگیری سازگار با ماشین سازگار با بهینه سازی توپولوژی مبتنی بر چگالی را برای تقویت بهینه سازی طراحی ساختارهای هیپرالاستیک ناهمگن تحت تغییر شکل های محدود برجسته می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.