• International Journal of Fuzzy Logic and Intelligent Systems
• /
• 제9권3호
• /
• pp.191-197
• /
• 2009

Up to now, a number of models have been proposed and discussed to describe a wide range of inelastic behaviors of materials. The fatal problem of using such models is however the existence of model errors, and the problem remains inevitably as far as a material model is written explicitly. In this paper, the authors define the implicit constitutive model and propose an implicit viscoplastic constitutive model using neural networks. In their modeling, inelastic material behaviors are generalized in a state space representation and the state space form is constructed by a neural network using input-output data sets. A technique to extract the input-output data from experimental data is also described. The proposed model was first generated from pseudo-experimental data created by one of the widely used constitutive models and was found to replace the model well. Then, having been tested with the actual experimental data, the proposed model resulted in a negligible amount of model errors indicating its superiority to all the existing explicit models in accuracy.

• 한국지능시스템학회논문지
• /
• 제15권2호
• /
• pp.251-256
• /
• 2005

Up to now, a number of models have been proposed and discussed to describe a wide range of inelastic behaviors of materials. The fetal problem of using such models is however the existence of model errors, and the problem remains inevitably as far as a material model is written explicitly. In this paper, the authors define the implicit constitutive model and propose an implicit viscoplastic constitutive model using neural networks. In their modeling, inelastic material behaviors are generalized in a state space representation and the state space form is constructed by a neural network using input output data sets. A technique to extract the input-output data from experimental data is also described. The proposed model was first generated from pseudo-experimental data created by one of the widely used constitutive models and was found to replace the model well. Then, having been tested with the actual experimental data, the proposed model resulted in a negligible amount of model errors indicating its superiority to all the existing explicit models in accuracy.

• 대한원격탐사학회지
• /
• 제39권6_3호
• /
• pp.1771-1777
• /
• 2023

최근 딥러닝의 발전으로 의미론적 분할을 통한 토지피복 분류 방법들이 제안되고 있다. 그러나 기존의 딥러닝 기반 모델들은 영상 정보만을 이용하기 때문에 시공간적 일관성을 담보할 수 없는 한계점이 있다. 이에 본 연구에서는 좌표 정보를 활용한 토지피복 분류 모델을 제안한다. 먼저 암시적 신경 표현 기법인 다중해상도 해시 인코더를 위경도 좌표계로 확장한 좌표 해시 인코더를 통해 좌표의 특징을 추출하였다. 다음으로 추출된 좌표 특징을 다양한 단계의 U-net 디코더와 결합하는 아키텍처를 제안하였다. 실험 결과, 제안 방법이 약 32% 향상된 분류 정확도를 보였고, 시공간적 일관성이 향상됨을 확인하였다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2024년도 제69차 동계학술대회논문집 32권1호
• /
• pp.23-26
• /
• 2024

본 논문에서는 그래프 구조의 데이터에서 각 노드의 신호를 예측하는 연구를 진행하였다. 이를 위해 분석하고자 하는 그래프에 대해 연결 관계를 기반으로 각 노드에 비-유클리드 공간 상에서의 좌표를 부여하여 그래프의 공간적 임베딩을 얻은 뒤, 각 노드의 공간적 임베딩을 입력으로 받고 해당 노드의 신호를 예측하는 그래프 암시적 신경 표현 모델을 제안 하였다. 제안된 모델의 검증을 위해 네트워크형 데이터와 3차원 메시 데이터 두 종류의 그래프 데이터에 대하여 신호 학습, 신호 예측 및 메시 데이터의 초해상도 과정 실험들을 진행하였다. 전반적으로 기존의 그래프 암시적 신경 표현 모델과 비교하였을 때 비슷하거나 더 우수한 성능을 보였으며, 특히 네트워크형 그래프 데이터 신호 예측 실험에서 큰 성능 향상을 보였다.

• 한국전산구조공학회논문집
• /
• 제35권5호
• /
• pp.267-275
• /
• 2022

Non-conforming mesh를 이용해 구조적인 불연속성을 해석 시 요소 내 함수 불연속성과 특이점이 존재하며, 이로 인해 계산의 효율성이 저하된다. 본 연구에서는 이 문제를 해결하기 위해 모멘트 피팅법을 응용한 선택적 확장기법(Duster and Allix, 2020)을 토대로 새로운 고효율 확장 기법을 제시하였다. 특히, 적분과정에서의 비효율성에 초점을 두고 두가지 개선 방안을 제안하고 이를 수치 예제를 통해 검증하였다. 첫째로 음함수-모멘트간 효율적 계산을 위해 인공신경망을 도입하였으며, 기존 확장 기법에 비해 해의 정확성이 유지되면서도 효율적인 계산이 가능함을 확인하였다. 더불어, 구조 해석과 형상 표상용 격자를 분리, 낮은 밀도의 구조 해석 격자에서도 정확성이 향상되었음을 보였다.