PREDICTIVE PERFORMANCE OF MODE-DECOMPOSITION BASED SURROGATE MODELS IN SOLID MECHANICS WITH MULTI-DIMENSIONAL INPUTS
Abstract
数値シミュレーション技術による物理現象の精緻な予測において，モデリングの忠実性に対するトレードオフの関係にある計算コストが課題になる．その有効な解決法の一つとして低コストなサロゲートモデルの活用が考えられる．本研究では，学習データから抽出した空間モードを利用しその内挿性能を高めるモード分解型Neural NetworkであるDeepONetとNeural Implicit Flowに着目し，多次元の解析パラメータを持つ非線形弾塑性固体力学問題を対象に，少ない学習データの下で予測性能を評価した．また，モデルに適応するL2正則化を適用した．その結果，空間的に密な学習データ下で古典的なガウス過程回帰と同等の汎化性能を有し，メモリ消費がより低いことが確認された．ゆえに計算資源が限られる実務環境で，高い空間解像が必要な現象下での最適設計や不確定性定量化の実現へと貢献し得る．
Fields of Study & Subjects
Model Reduction and Neural Networks
Advanced Multi-Objective Optimization Algorithms
Gaussian Processes and Bayesian Inference
Publication details
- Journal / source
- Japanese Journal of JSCE
- Volume
- 82
- Issue
- 15
- Pages
- n/a–n/a
- Publication date
- 1 January 2026
- Language
- EN