지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2021.8
- 수록면
- 186 - 194 (9page)
이용수
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
Finite element simulation is a widely applied method for practical purpose in various metal forming process. However, in the simulation of elasto-plastic behavior of porous material or in crystal plasticity coupled multi-scale simulation, it requires much calculation time, which is a limitation in its application in practical situations. A machine learning model that directly outputs the constitutive equation without iterative calculations would greatly reduce the calculation time of the simulation. In this study, we examined the possibility of artificial intelligence based constitutive equation with the input of existing state variables and current velocity filed. To introduce the methodology, we described the process of obtaining the training data, machine learning process and the coupling of machine learning model with commercial software DEFROM<SUP>TM</SUP> , as a preliminary study, via rigid plastic finite element simulation.
목차
Abstract
1. 서론
2. 관련 이론
3. 인공지능 구성방정식 모델
4. 결론
REFERENCES
참고문헌 (9)
참고문헌 신청
V. Papadopoulos, G. Soimiris, D. G. Giovanis, M. Papadrakakis, 2018, A Neural Network-Based Surrogate Model for Carbon Nanotubes with Geometric Nonlinearities, Comput. Methods. Appl. Mech .Eng, Vol. 328, pp. 411~430 https://doi.org/10.1016/j.cma.2017.09.010
L. Liang, M. Liu, C. Martin, J. A. Elefteriades, W. Sun, 2017, A Machine Learning Approach to Investigate the Relationship Between Shape Features and Numerically Predicted Risk of Ascending Aortic Aneurysm, Biomech. Model. Mechanobiol. Vol. 16, pp. 1519~1533. http://doi.org/10.1007/s10237-017-0903-9
M. Stoffel, F. Bamer, B. Markert, 2019, Neural Network Based Constitutive Modeling of Nonlinear Viscoplastic Structural Response, Mech. Res. Commun. Vol. 95, pp. 85~88. http://doi.org/10.1016/j.mechrescom.2019.01.004
M. Stoffel, F. Bamer, B. Markert, 2018, Artificial Neural Networks and Intelligent Finite Elements in Non-Linear Structural Mechanics, Thin-Walled Struct. Vol. 131, pp. 102~106. http://doi.org/10.1016/j.tws.2018.06.035
A. Chamekh, H. Bel Hadj Sala, R. Hambli, 2009, Inverse Technique Identification of Material Parameters Using Finite Element and Neural Network Computation, J. Adv. Manuf. Technol. 44:173~179. http://doi.org/10.1007/s00170-008-1809-6
L. Liang, M. Liu, C. Martin, J. A. Elefteriades, W. Sun, 2017, A Machine Learning Approach to Investigate the Relationship Between Shape Features and Numerically Predicted Risk of Ascending Aortic Aneurysm, Biomech. Model. Mechanobiol. Vol. 16, pp. 1519~1533. http://doi.org/10.1007/s10237-017-0903-9
M. Stoffel, F. Bamer, B. Markert, 2019, Neural Network Based Constitutive Modeling of Nonlinear Viscoplastic Structural Response, Mech. Res. Commun. Vol. 95, pp. 85~88. http://doi.org/10.1016/j.mechrescom.2019.01.004
M. Stoffel, F. Bamer, B. Markert, 2018, Artificial Neural Networks and Intelligent Finite Elements in Non-Linear Structural Mechanics, Thin-Walled Struct. Vol. 131, pp. 102~106. http://doi.org/10.1016/j.tws.2018.06.035
A. Chamekh, H. Bel Hadj Sala, R. Hambli, 2009, Inverse Technique Identification of Material Parameters Using Finite Element and Neural Network Computation, J. Adv. Manuf. Technol. 44:173~179. http://doi.org/10.1007/s00170-008-1809-6
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
딥 러닝을 이용한 공정의존적 탄소성 인공지능 구성방정식의 개발
한국소성가공학회 학술대회 논문집
2024 .10
-
유한요소법 구성방정식에서의 기계학습 적용에 대한 고찰
한국소성가공학회 학술대회 논문집
2020 .06
-
Machine Learning-Based Constitutive Model for Metal Plasticity
한국소성가공학회 학술대회 논문집
2020 .06
-
유한요소해석을 사용한 구성 방정식 피팅 시 변형률 속도 민감도 및 요소 크기의 영향
소성·가공
2022 .08
-
인공지능 머신러닝 딥러닝 알고리즘의 활용 대상과 범위 시스템 연구
한국정보통신학회 종합학술대회 논문집
2022 .05
-
딥러닝 인공지능 기법을 이용한 화재인식 알고리즘에 관한 연구
전력전자학회 학술대회 논문집
2018 .07
-
절삭 시뮬레이션에 사용되는 구성방정식 종류별 절삭력 예측
한국생산제조학회지
2022 .12
-
우주분야 인공지능 적용 방안 및 해외 사례 연구
한국항공우주학회 학술발표회 초록집
2018 .04
-
인공지능 딥러닝 기반 건전성 예측진단 및 연구사례
한국소음진동공학회 학술대회논문집
2017 .10
-
딥러닝
소음·진동
2017 .05
-
변형률 속도를 고려한 구성방정식을 이용한 변형모드에 따른 유한요소해석
한국소성가공학회 학술대회 논문집
2017 .10
-
딥 러닝 프레임워크의 비교 및 분석
한국전자통신학회 논문지
2017 .01
-
A methodology to quantify effects of constitutive equations on safety analysis using integral effect test data
Nuclear Engineering and Technology
2024 .08
-
‘인공지능’, ‘기계학습’, ‘딥 러닝’ 분야의 국내 논문 동향 분석
한국정보전자통신기술학회 논문지
2020 .08
-
Deep Learning
대한토목학회지
2021 .06
-
Application of data driven modeling and sensitivity analysis of constitutive equations for improving nuclear power plant safety analysis code
Nuclear Engineering and Technology
2023 .01
-
실험계획법을 이용한 구성방정식의 온도연화계수 결정
한국생산제조학회 학술발표대회 논문집
2020 .12
-
인공지능과 심층학습의 발전사
정보과학회지
2015 .10
-
딥러닝을 이용한 시뮬레이션의 구현
대한기계학회 춘추학술대회
2024 .06
-
유한요소해석을 위한 재료의 진응력-진변형률 커브 피팅 방법론
소성·가공
2022 .08
이 논문의 저자 정보
이 논문과 함께 이용한 논문
인공지능 머신러닝 딥러닝 알고리즘의 활용 대상과 범위 시스템 연구
박대우
한국정보통신학회 종합학술대회 논문집
2022
.05
가상 공간을 활용한 원격 교육 : 공학 분야의 효율적인 교육 및 의견 공유
전주현
기계저널
2021
.08
GIGA Steel 의 동적인장물성/측정 불확도 평가 및 Industry 4.0: 스마트 팩토리
박준용
,
윤정환
한국소성가공학회 학술대회 논문집
2021
.05
인공지능 기반 연료전지 금속 분리판 다단성형공정 최적화
이대호
,
쩐민띠엔
,
이호원
외 1명
한국소성가공학회 학술대회 논문집
2021
.05
소성가공 분야에서 인공지능 적용을 위한 절단면 이미지 동기화 기법
박정민
,
김성규
,
이원곡
외 1명
한국통신학회 학술대회논문집
2021
.06
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-ECN-0101-2021-551-001930616