基于变分推断的异质编码器架构用于多孔金属失效位置预测
应用物理
2022-07-13 v1 材料科学
机器学习
摘要
在这项工作中，我们采用编码器-解码器卷积神经网络，仅基于初始孔隙度来预测多孔金属拉伸试样的失效位置。我们所建模的过程是复杂的，从初始空洞形核、到饱和、最终失效。预测失效位置这一目标呈现出极端的类别不平衡，因为试样中大部分材料不会失效。为应对这一挑战，我们开发并展示了基于数据和基于损失的正则化方法的有效性。由于失效位置对空洞的特定构型相当敏感，我们还使用变分推断为神经网络预测提供不确定性。我们在理论层面将确定性和贝叶斯卷积神经网络联系起来，以解释变分推断如何正则化训练和预测。我们证明所得预测方差能有效对任一给定试样中最可能失效的位置进行排序。
引用
@article{arxiv.2202.00078,
title = {A heteroencoder architecture for prediction of failure locations in porous metals using variational inference},
author = {Wyatt Bridgman and Xiaoxuan Zhang and Greg Teichert and Mohammad Khalil and Krishna Garikipati and Reese Jones},
journal= {arXiv preprint arXiv:2202.00078},
year = {2022}
}
备注
40 pages, 12 figures