.png){kind=icon}
返回
Adaptive goal-oriented data sampling in Data-Driven Computational Mechanics
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cma.2023.115949.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据驱动 (DD) 计算是计算力学的新兴领域，其动力来自实验测量的最新技术进步，高度预测的计算模型的发展，数据存储和数据处理的进步，从而实现了从材料数据稀缺到材料数据丰富的时代。DD模拟的预测能力取决于材料数据集的质量，即其紧密采样给定机械问题的相空间中的所有应变-应力状态的能力。在这项研究中，我们开发了一种通过迭代扩展来提高现有材料数据集质量的方法。利用用DD范式处理的问题作为距离最小化问题的公式，我们识别相空间中数据覆盖较差的区域，并通过额外的实验或较低规模的模拟来确定它们。DD解决方案通知了额外的实验，以便它们可以更好地覆盖给定应用的相空间。我们首先通过三轴压缩下线性弹性圆柱体的DD有限元模拟来说明该方法的收敛特性。然后在Hostun砂的标本上进行相同的数值实验，Hostun砂是一种具有复杂的历史依赖行为的材料。数据采样是使用水平集离散元素方法 (ls-dem) 对代表该颗粒材料的单位单元进行计算的，并受到所提出方法确定的加载路径的影响。结果表明，为特定应用量身定制的数据集的这种自适应扩展可实现收敛且准确的DD预测，而无需使用具有潜在冗余或低质量数据的大型数据库的计算成本。(c) 2023 Elsevier b.V.保留所有权利。
Keyword:
Data -driven computing
Multiscale modeling
Data acquisition strategies
期刊
IF:
7.3
论文数:
1.3W
被引数:
5.6W
机构
引用论文
Effects of geographic source, rearing system, and season on the nutritional quality of wild and farmed Perca fluviatilis.png)
Lipids
LipidsIF0
PREAI
分享收藏Level set discrete element method for three-dimensional computations with triaxial case study三维计算的水平集离散元方法及三轴算例
OAAI
OAAI分享收藏Data-Driven nonlocal mechanics: Discovering the internal length scales of materials数据驱动的非局部力学: 发现材料的内部长度尺度OAAI
OAAI分享收藏Bioresorbable zinc stent with ultra-thin center struts attenuates stent jail in porcine femoral artery bifurcations具有超薄中心支柱的可生物吸收的锌支架可减轻猪股动脉分叉中的支架监狱OAAI
OAAI分享收藏
查看更多内容