Accelerating nonlinear finite element analysis via residual-aware neural network constitutive models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Nonlinear finite element analysis (FEA) relies heavily on iterative methods such as the Newton–Raphson algorithm, with computational cost primarily driven by the repeated solution of large linear systems (global stage) and the evaluation of nonlinear constitutive laws (local stage). This work proposes a neural network-based surrogate to accelerate the local stage by approximating explicit constitutive models. A compact feed-forward neural network is trained on synthetic data generated from standard material laws and embedded into the commercial solver Simcenter TM Samcef®, replacing the local integration of nonlinear equations. To ensure accuracy and robustness, a residual-based safeguard is introduced to restore the original physics-based model when neural network predictions are insufficient. To further explore the benefits of the proposed approach in reducing overall simulation cost, the method is also applied within a reduced-order modeling framework. While such techniques effectively reduce the cost of solving large linear systems, the evaluation of nonlinear terms often remains a dominant bottleneck. The surrogate is therefore also assessed using the nonlinear model reduction method available in Samcef , namely the LATIN-PGD approach, although a detailed study of this method is not the focus of this paper. Beyond simplified test cases, the method is implemented and validated in full-scale, industrially relevant simulations involving elasto-viscoplastic materials. Results from academic and industrial-scale applications, including a high-pressure turbine blade, demonstrate that the proposed approach significantly reduces computation time while preserving solution accuracy. These findings highlight the potential of combining data-driven surrogates with residual-controlled correction to enhance the efficiency and scalability of nonlinear FEA workflows under realistic conditions.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| 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) | 0,001 | 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 découle