MARC

 008260126s2024        us                              c    eng  d
■001000017360673
■00520260202105604
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265402875
■035    ▼a(MiAaPQ)AAI32316044
■035    ▼a(MiAaPQ)GeorgiaTech76981
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a515.35
■1001  ▼aKelly,  Conlain.
■24510▼aHybrid  Learning  Models  for  Statistical  Continuum  Mechanics
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a139  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Kalidindi,  Surya.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aThis  document  summarizes  my  research  aimed  at  creating  interpretable  and  useful  machine  learning  models  to  assist  efforts  in  materials  design.  In  particular,  I  focus  on  the  problem  of  predicting  local  response  fields  (stresses  and  strains)  over  heterogeneous  structures  subjected  to  boundary  loading  conditions,  also  known  as  the  localization  problem.  In  a  sense  all  of  micromechanics  consists  of  elasticity  plus  defect  motion;  my  doctoral  work  extensively  explores  the  first  half  of  that  equation  in  relation  to  machine  learning.  This  thesis  comprises  three  papers:  an  exploratory  study  applying  iterative  neural  networks  to  elastic  localization,  a  thermodynamically-informed  iterative  neural  operator  which  generalizes  these  ideas  to  work  over  a  wider  range  of  microstructure  classes  and  loading  directions,  and  an  extrapolation  study  which  explores  how  far  neural  operators  can  be  taken  outside  their  training  distribution  by  hybridizing  them  with  FFT-based  relaxation  solvers.  All  three  papers  focus  on  purely  elastic  deformations,  but  keep  an  eye  on  the  long-term  goal  of  modeling  time-dependent,  dissipative  deformations.  These  are  contextualized  as  part  of  the  general  stochastic  inverse  problem  known  as  process-structure-property  modeling.Beyond  the  localization  problem,  I  have  been  fortunate  to  collaborate  on  a  number  of  works  which  build  up  different  parts  of  the  process-structure-property  linkage.  Most  of  these  efforts  have  been  published  in  the  theses  of  Dr.  Andreas  Robertson  and  Dr.  Adam  Generale,  so  I  only  provide  brief  descriptions  and  summaries  for  each  paper.  In  particular,  I  contextualize  these  works  as  part  of  the  increasing  alignment  between  the  fields  of  deep  learning,  numerical  methods,  and  continuum  mechanics.  The  contributions  of  this  thesis  are  thus  twofold:  to  provide  useful  deep  learning  models  which  allow  exploration  of  the  microstructure  space,  and  to  advance  a  shared  language  bridging  the  conceptually-isolated  fields  of  data-driven  modeling  and  statistical  continuum  mechanics.
■590    ▼aSchool  code:  0078.
■650  4▼aPartial  differential  equations
■650  4▼aDeep  learning
■650  4▼aHomogenization
■650  4▼aMicrostructure
■650  4▼aDeformation
■650  4▼aMechanics
■650  4▼aBridges
■650  4▼aBoundary  conditions
■650  4▼aMaterials  fatigue
■650  4▼aComposite  materials
■650  4▼aMaterials  science
■650  4▼aMathematics
■690    ▼a0346
■690    ▼a0800
■690    ▼a0794
■690    ▼a0405
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360673▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books