A Multifeatured Data-Driven Homogenization for Heterogeneous Elastic Solids
Notice bibliographique
Résumé
A computational homogenization of heterogeneous solids is presented based on the data-driven approach for both linear and nonlinear elastic responses. Within the Double-Scale Finite Element Method (FE2) framework, a data-driven model is proposed to substitute the micro-level Finite Element (FE) simulations to reduce computational costs in multiscale simulations. The heterogeneity of porous solids at the micro-level is considered in various material properties and geometrical attributes. For material properties, elastic constants, which are Lame’s coefficients, are subjected to be heterogeneous in the linear elastic responses. For geometrical features, different numbers, sizes, and locations of voids are considered to reflect the heterogeneity of porous solids. A database for homogenized microstructural responses is constructed from a series of micro-level FE simulations, and machine learning is used to train and test our proposed model. In particular, four geometrical descriptors are designed, based on N-probability and lineal-path functions, to clearly reflect the geometrical heterogeneity of various microstructures. This study indicates that a simple deep neural networks model can capture diverse microstructural heterogeneous responses well when given proper input sources, including the geometrical descriptors, are considered to establish a computational data-driven homogenization scheme.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».