ترجمه فارسی مقاله رگرسیون پراکنده برای کشف مدلهای سازنده از اندازه گیری برشی نوسان

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Sparse Regression for Discovery of Constitutive Models from Oscillatory Shear Measurements
عنوان مقاله به فارسی رگرسیون پراکنده برای کشف مدلهای سازنده از اندازه گیری برشی نوسان
نویسندگان Sachin Shanbhag, Gordon Erlebacher
فرمت مقاله انگلیسی PDF
تعداد صفحات 56
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Soft Condensed Matter,Machine Learning,ماده متراکم نرم , یادگیری ماشین ,
توضیحات Submitted 20 August, 2024; originally announced August 2024. , Comments: 45 pages, 8 figures
توضیحات به فارسی 20 اوت 2024 ارسال شد.در ابتدا اوت 2024 اعلام شد ، نظرات: 45 صفحه ، 8 شکل
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

We propose sparse regression as an alternative to neural networks for the discovery of parsimonious constitutive models (CMs) from oscillatory shear experiments. Symmetry and frame-invariance are strictly imposed by using tensor basis functions to isolate and describe unknown nonlinear terms in the CMs. We generate synthetic experimental data using the Giesekus and Phan-Thien Tanner CMs, and consider two different scenarios. In the complete information scenario, we assume that the shear stress, along with the first and second normal stress differences, is measured. This leads to a sparse linear regression problem that can be solved efficiently using $l_1$ regularization. In the partial information scenario, we assume that only shear stress data is available. This leads to a more challenging sparse nonlinear regression problem, for which we propose a greedy two-stage algorithm. In both scenarios, the proposed methods fit and interpolate the training data remarkably well. Predictions of the inferred CMs extrapolate satisfactorily beyond the range of training data for oscillatory shear. They also extrapolate reasonably well to flow conditions like startup of steady and uniaxial extension that are not used in the identification of CMs. We discuss ramifications for experimental design, potential algorithmic improvements, and implications of the non-uniqueness of CMs inferred from partial information.

چکیده به فارسی (ترجمه ماشینی)

ما رگرسیون پراکنده را به عنوان جایگزینی برای شبکه های عصبی برای کشف مدل های سازنده پارسا (CMS) از آزمایش های برشی نوسان پیشنهاد می کنیم.تقارن و تنوع فریم با استفاده از توابع پایه تانسور برای جداسازی و توصیف اصطلاحات غیرخطی ناشناخته در CMS به شدت تحمیل می شود.ما داده های تجربی مصنوعی را با استفاده از CMS Giesekus و Phan-Thien Tanner تولید می کنیم و دو سناریوی مختلف را در نظر می گیریم.در سناریوی کامل اطلاعات ، فرض می کنیم که استرس برشی ، همراه با اختلاف استرس طبیعی اول و دوم ، اندازه گیری می شود.این منجر به یک مشکل رگرسیون خطی پراکنده می شود که می توان با استفاده از تنظیم مجدد $ L_1 $ به طور مؤثر حل کرد.در سناریوی اطلاعات جزئی ، فرض می کنیم که فقط داده های استرس برشی در دسترس است.این منجر به یک مشکل رگرسیون غیرخطی پراکنده تر چالش برانگیز می شود ، که برای آن ما یک الگوریتم دو مرحله ای حریص را پیشنهاد می کنیم.در هر دو سناریو ، روشهای پیشنهادی داده های آموزش را به خوبی متناسب و درون یابی می کنند.پیش بینی CMS استنباط شده به طور رضایت بخش فراتر از طیف وسیعی از داده های آموزش برای برشی نوسان است.آنها همچنین به خوبی به خوبی به شرایط جریان مانند راه اندازی پسوند پایدار و یک محوره که در شناسایی CMS استفاده نمی شود ، به خوبی برون یابی می کنند.ما در مورد نتایج برای طراحی آزمایشی ، پیشرفت های بالقوه الگوریتمی و پیامدهای عدم یکنواختی CMS استنباط شده از اطلاعات جزئی بحث می کنیم.

📚 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.