当前位置: X-MOL 学术Extreme Mech. Lett. › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Mechanical MNIST: A benchmark dataset for mechanical metamodels
Extreme Mechanics Letters ( IF 4.7 ) Pub Date : 2020-03-09 , DOI: 10.1016/j.eml.2020.100659
Emma Lejeune

Metamodels, or models of models, map defined model inputs to defined model outputs. Typically, metamodels are constructed by generating a dataset through sampling a direct model and training a machine learning algorithm to predict a limited number of model outputs from varying model inputs. When metamodels are constructed to be computationally cheap, they are an invaluable tool for applications ranging from topology optimization, to uncertainty quantification, to multi-scale simulation. By nature, a given metamodel will be tailored to a specific dataset. However, the most pragmatic metamodel type and structure will often be general to larger classes of problems. At present, the most pragmatic metamodel selection for dealing with mechanical data has not been thoroughly explored. Drawing inspiration from the benchmark datasets available to the computer vision research community, we introduce a benchmark data set (Mechanical MNIST) for constructing metamodels of heterogeneous material undergoing large deformation. We then show examples of how our benchmark dataset can be used, and establish baseline metamodel performance. Because our dataset is readily available, it will enable the direct quantitative comparison between different metamodeling approaches in a pragmatic manner. We anticipate that it will enable the broader community of researchers to develop improved metamodeling techniques for mechanical data that will surpass the baseline performance that we show here.



中文翻译:

机械MNIST:机械元模型的基准数据集

元模型或模型模型将定义的模型输入映射到定义的模型输出。通常,通过对直接模型进行采样并训练机器学习算法以从变化的模型输入中预测有限数量的模型输出来生成数据集来构建元模型。当元模型被构造为在计算上便宜时,它们是从拓扑优化,不确定性量化到多尺度仿真等应用的无价工具。从本质上讲,给定的元模型将针对特定数据集进行定制。但是,最实用的元模型类型和结构通常适用于较大类的问题。目前,尚未充分探索用于处理机械数据的最实用的元模型选择。从可用于计算机视觉研究社区的基准数据集中汲取灵感,我们引入了基准数据集(机械MNIST),用于构建经受大变形的异质材料的元模型。然后,我们展示了如何使用基准数据集并建立基线元模型性能的示例。因为我们的数据集随时可用,所以它将以务实的方式实现不同元建模方法之间的直接定量比较。我们预计,它将使广大研究人员能够开发出改进的机械数据元建模技术,这些技术将超过我们在此处显示的基准性能。我们介绍了一个基准数据集(机械MNIST),用于构建经受大变形的异质材料的元模型。然后,我们展示了如何使用基准数据集并建立基线元模型性能的示例。由于我们的数据集随时可用,因此它将以务实的方式实现不同元建模方法之间的直接定量比较。我们预计,它将使广大研究人员能够开发出改进的机械数据元建模技术,这些技术将超过我们在此处显示的基准性能。我们介绍了一个基准数据集(机械MNIST),用于构建经受大变形的异质材料的元模型。然后,我们展示了如何使用基准数据集并建立基线元模型性能的示例。因为我们的数据集随时可用,所以它将以务实的方式实现不同元建模方法之间的直接定量比较。我们预计,它将使更广泛的研究人员能够为机械数据开发改进的元建模技术,从而超越我们在此处显示的基准性能。它将以务实的方式实现不同元建模方法之间的直接定量比较。我们预计,它将使广大研究人员能够开发出改进的机械数据元建模技术,这些技术将超过我们在此处显示的基准性能。它将以务实的方式实现不同元建模方法之间的直接定量比较。我们预计,它将使广大研究人员能够开发出改进的机械数据元建模技术,这些技术将超过我们在此处显示的基准性能。

更新日期:2020-03-09
down
wechat
bug