Buchumschlag

Crack Path Prediction with Operator Learning using Discrete Particle System data Generation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kiyani, Elham, Ananchaperumal, Venkatesh, Peyvan, Ahmad, Uchimali, Mahendaran, Li, Gang, Karniadakis, George Em
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Materials Science Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Crack Path Prediction With Operator Learning Using Discrete Particle System Data Generation
von: Elham Kiyani, et al.
Veröffentlicht: (2026)

Predicting Crack Nucleation and Propagation in Brittle Materials Using Deep Operator Networks with Diverse Trunk Architectures
von: Kiyani, Elham, et al.
Veröffentlicht: (2024)

Transformers as Neural Operators for Solutions of Differential Equations with Finite Regularity
von: Shih, Benjamin, et al.
Veröffentlicht: (2024)

Fusion-DeepONet: A Data-Efficient Neural Operator for Geometry-Dependent Hypersonic and Supersonic Flows
von: Peyvan, Ahmad, et al.
Veröffentlicht: (2025)

H3PC: Hypersonic, High-Order, High-Performance Code with Adaptive Mesh Refinement and Real Chemistry
von: Peyvan, Ahmad, et al.
Veröffentlicht: (2025)

GIMLET: Generalizable and Interpretable Model Learning through Embedded Thermodynamics
von: Shiratori, Suguru, et al.
Veröffentlicht: (2025)

Optimizing the Optimizer for Physics-Informed Neural Networks and Kolmogorov-Arnold Networks
von: Kiyani, Elham, et al.
Veröffentlicht: (2025)

RiemannONets: Interpretable Neural Operators for Riemann Problems
von: Peyvan, Ahmad, et al.
Veröffentlicht: (2024)

Probabilistic Predictions of Process-Induced Deformation in Carbon/Epoxy Composites Using a Deep Operator Network
von: Kiyani, Elham, et al.
Veröffentlicht: (2025)

Multi-fidelity surrogates for mechanics of composites: from co-kriging to multi-fidelity neural networks
von: Wen, Haizhou, et al.
Veröffentlicht: (2026)

Operator Learning for Reconstructing Flow Fields from Sparse Measurements: an Energy Transformer Approach
von: Zhang, Qian, et al.
Veröffentlicht: (2025)

Agentic Risk-Aware Set-Based Engineering Design
von: Kumar, Varun, et al.
Veröffentlicht: (2026)

Toward Autonomous Engineering Design: A Knowledge-Guided Multi-Agent Framework
von: Kumar, Varun, et al.
Veröffentlicht: (2025)

Curvature-Aware Optimization for High-Accuracy Physics-Informed Neural Networks
von: Jnini, Anas, et al.
Veröffentlicht: (2026)

UFO: A Domain-Unification-Free Operator Framework for Generalized Operator Learning
von: Qiao, Hanli, et al.
Veröffentlicht: (2026)

DeepSeek vs. ChatGPT vs. Claude: A Comparative Study for Scientific Computing and Scientific Machine Learning Tasks
von: Jiang, Qile, et al.
Veröffentlicht: (2025)

Integrating Neural Operators with Diffusion Models Improves Spectral Representation in Turbulence Modeling
von: Oommen, Vivek, et al.
Veröffentlicht: (2024)

Operator Learning for Reconstructing Flow Fields from Sparse Measurements: a Language Model Approach
von: Zhang, Qian, et al.
Veröffentlicht: (2026)

Conformal Prediction with Learned Features
von: Kiyani, Shayan, et al.
Veröffentlicht: (2024)

Retrofitting Earth System Models with Cadence-Limited Neural Operator Updates
von: Bora, Aniruddha, et al.
Veröffentlicht: (2025)

Learning Turbulent Flows with Generative Models: Super-resolution, Forecasting, and Sparse Flow Reconstruction
von: Oommen, Vivek, et al.
Veröffentlicht: (2025)

Leveraging Operator Learning to Accelerate Convergence of the Preconditioned Conjugate Gradient Method
von: Kopaničáková, Alena, et al.
Veröffentlicht: (2025)

PINNs4Drops: Video-conditioned physics-informed neural networks for two-phase flow reconstruction
von: Dreisbach, Maximilian, et al.
Veröffentlicht: (2024)

Characterization and Inverse Design of Stochastic Mechanical Metamaterials Using Neural Operators
von: Hanxun Jin, et al.
Veröffentlicht: (2025)

Physics-Informed Machine Learning in Biomedical Science and Engineering
von: Ahmadi, Nazanin, et al.
Veröffentlicht: (2025)

Length Optimization in Conformal Prediction
von: Kiyani, Shayan, et al.
Veröffentlicht: (2024)

Representation Meets Optimization: Training PINNs and PIKANs for Gray-Box Discovery in Systems Pharmacology
von: Daryakenari, Nazanin Ahmadi, et al.
Veröffentlicht: (2025)

DeepOnet Based Preconditioning Strategies For Solving Parametric Linear Systems of Equations
von: Kopaničáková, Alena, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks and Extensions
von: Raissi, Maziar, et al.
Veröffentlicht: (2024)

Spectral Audit of In-Context Operator Networks
von: Gao, Zhiwei, et al.
Veröffentlicht: (2026)

ATHENA: Agentic Team for Hierarchical Evolutionary Numerical Algorithms
von: Toscano, Juan Diego, et al.
Veröffentlicht: (2025)

Hypersonic Boundary Layer Transition and Heat Loading
von: Peyvan, Ahmad, et al.
Veröffentlicht: (2024)

Conformal Prediction Beyond the Seen: A Missing Mass Perspective for Uncertainty Quantification in Generative Models
von: Noorani, Sima, et al.
Veröffentlicht: (2025)

Real-Time Prediction of Gas Flow Dynamics in Diesel Engines using a Deep Neural Operator Framework
von: Kumar, Varun, et al.
Veröffentlicht: (2023)

Neural Operator Learning for Long-Time Integration in Dynamical Systems with Recurrent Neural Networks
von: Michałowska, Katarzyna, et al.
Veröffentlicht: (2023)

Learning thermoacoustic interactions in combustors using a physics-informed neural network
von: Mariappan, Sathesh, et al.
Veröffentlicht: (2023)

Mitigating Spectral Bias in Neural Operators via High-Frequency Scaling for Physical Systems
von: Khodakarami, Siavash, et al.
Veröffentlicht: (2025)

Hutchinson Trace Estimation for High-Dimensional and High-Order Physics-Informed Neural Networks
von: Hu, Zheyuan, et al.
Veröffentlicht: (2023)

Score-Based Physics-Informed Neural Networks for High-Dimensional Fokker-Planck Equations
von: Hu, Zheyuan, et al.
Veröffentlicht: (2024)

Learning and discovering multiple solutions using physics-informed neural networks with random initialization and deep ensemble
von: Zou, Zongren, et al.
Veröffentlicht: (2025)