Physics-Constrained Neural Network for Design and Feature-Based Optimization of Weave Architectures

要約

織布は、衣類/スポーツウェア、水の濾過、擁壁などの日常のテキスタイルから、航空宇宙、スポーツ、自動車、海洋産業などの軽量構造用の硬い複合材料の補強材まで、重要な役割を果たしています。
織り構造を構成する織りパターンと材料の選択のいくつかの可能な組み合わせは、それらが織布や強化構造の物理的および機械的特性にどのように影響するかについての挑戦的な問題を提示します。
この論文では、織物構造の係数などの機械的特性を予測するための新しい物理制約ニューラル ネットワーク (PCNN) と、設計/目標係数値のパターン/材料順序を予測する逆問題を紹介します。
逆問題は、従来の最適化アプローチを使用して適切なアーキテクチャを見つけるために通常多くの反復が必要となるため、特に困難です。
提案された PCNN が、考慮されたいくつかのベースライン モデルよりも高い精度で、所望の弾性率の織り構造を効果的に予測できることを示します。
グレー レベル共起行列 (GLCM) 空間の特徴を使用して予測を改善する、特徴ベースの最適化戦略を提案します。
PCNN とこの機能ベースの最適化を組み合わせて、最適に近いウィーブ アーキテクチャを発見し、ウィーブ アーキテクチャの初期設計を容易にします。
提案されたフレームワークは主に織物複合材の分析と最適化プロセスを可能にし、複雑な構造分析に知識誘導型ニューラル ネットワークを導入する出発点となります。

要約(オリジナル)

Woven fabrics play an essential role in everyday textiles for clothing/sportswear, water filtration, and retaining walls, to reinforcements in stiff composites for lightweight structures like aerospace, sporting, automotive, and marine industries. Several possible combinations of weave patterns and material choices, which comprise weave architecture, present a challenging question about how they could influence the physical and mechanical properties of woven fabrics and reinforced structures. In this paper, we present a novel Physics-Constrained Neural Network (PCNN) to predict the mechanical properties like the modulus of weave architectures and the inverse problem of predicting pattern/material sequence for a design/target modulus value. The inverse problem is particularly challenging as it usually requires many iterations to find the appropriate architecture using traditional optimization approaches. We show that the proposed PCNN can effectively predict weave architecture for the desired modulus with higher accuracy than several baseline models considered. We present a feature-based optimization strategy to improve the predictions using features in the Grey Level Co-occurrence Matrix (GLCM) space. We combine PCNN with this feature-based optimization to discover near-optimal weave architectures to facilitate the initial design of weave architecture. The proposed frameworks will primarily enable the woven composite analysis and optimization process, and be a starting point to introduce Knowledge-guided Neural Networks into the complex structural analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google