机器学习: 预测非织造纤维材料的张力强度

软件 影响 14 （ 2022 ）100423原创 软件Publication机器 学习 框架 预测 非 织造 材料 属性 from 纤维 图Presentation 介绍Dario ）Antweiler A A，B，∗，Marc harmening 的C，Nicole Marheineke 。C，安德烈许 敏B，D，Raimund 的魏 文 杰B，D，Pascal 的welke EA AFraunhofer 的IaaS ，城堡Birlinghoven ，圣奥古斯汀 ，53757, GermanyBFraunhofer 的中心for Machine Learning ，城堡Birlinghoven ，圣奥古斯汀 ，53757 次GermanyCTrier University ， Universitaetsring 15 ， 特里尔 ， 54296 ， 地图GermanyDFraunhofer 的ITWM ，弗劳 恩 霍夫 广场 Fraunhofer Square 1, Kaiserslautern ，67663, GermanyE大学of Bonn ，Friedrich-Hirzebruch - Allee 弗里德里希 - 希尔 茨 布鲁赫 - 阿 利8 、Bonn ，53115 ，GermanyAR t i C l Ei n F o ;Keywords：非 织造 纤维材料 制造纺织Fabrics材料property predictionGraph 表示 张力 图Behavior行为AB s t R A C t非织造纤维材料在各种应用中都是普遍存在的，包括绝缘，电镀和过滤。从生产参数进行材料性能仿真是一个工 业 目 标 ， 但 却 是 一 个 挑 战 任 务 。 We developed a machine learning based approach to predict the tensilestrength of nonwovens from fiber lay我们开发了一种基于机器学习的方法来预测非织造布的张力通过回归模型进行down settings。这里我们提出了一个开源框架实施以下两个步骤方法：首先，一个图形生成算法构建随机图，该组合了非织造布的高级纤维结构，给出了一个参数空间。第 二 ， 我们 的 回归 模型 ， 从 ODE 模拟 中学习结果 ，predicts 预言The Tensile strict for孙 楠parameter 参数combinations 。codemetadataCurrentcode Version 版本V1.0常驻link 链接两 个代码/存储 库used for this code Version 版本https://github.com/SoftwareImpacts/SIMPAC-2022-144永久 链接 To生殖 器船长https://codeocean.com/capsule/7514050/tree/v1Legal 合法code LicenseMIT LicenseCode 版本系统usedGitHubSoftwarecode语言 ，工具 ，及Services 服务used标签 ： MATLAB ， Python ， Bash工作 环境 ， Compilation Requirements&依赖 性MATLAB 2021 b ， Python 3.8 ， matplotlib 3.5.2 ， numpy 1.22.3 ， pandas 1.4.2 ，scipy的1.8.1,NetworkX 的2.6, POT 0.7.0, scikit-learn 教育1.0.2, TQDM 4.63.0, Request 请求2.27.1link to开发 商手册/Manualhttps://github.com/pwelke/random-nonwoven-fibers/blob/main/README.md支援 Emailfor Question 问题作者 ： ANTWEILER@iais.fhg.deDescription介绍从生产参数预测材料性能是非常重要的—可以用于许多工业设置，包括非织造复合材料的生产。本 材料 采用 随机 纤维 结构 - TUREthat isBONDED using Thermal ，chemical or Mechanical程序 。DOI of original article ：https://doi.org/10.1016/j.mlwa.2022.100288。产品 特点 ： _1].其中最重要的非织造机械制品是其强度。需要在一个维度中拉伸材料样本的力量。应用压力和治疗之间的关系通常由压力曲线代 表 。 在 工 业 设 计 中 ， 研 究 曲 线 可 以 通 过 实 验 生 产Measurements ，2013 年 12 月 23 日@下午 11 时 26 分 i = =https://codeocean.com/）. More information on生产力Badge倡议is available 可用athttps://www.elsevier.com/physical-sciences-and-engineering/computer-science/journals。∗Corresponding 相关Author 作者at ：Fraunhofer 的IaaS ，城堡Birlinghoven ，圣奥古斯汀 ，53757,德国 .Email addresses ：作者 ： ANTWEILER@iais.fhg.de（ D 。（ Antony ） ，harmening@uni-trier.de（ M 。Harmening ） ，marheineke@uni-trier.de（ n .（ Marheineka ） ，饰 ： Speaker@itwm.fhg.de（ a 。 （ 译者 ） ，wegener@itwm.fhg.de（ R 。 ） （ 梅 ） （ 恩 ） （ 。welke@cs.uni-bonn.de（ P 。 welke ） 。https://doi.org/10.1016/j.simpa.2022.100423接收11七 月2022 年 ;接收在Revised Form 5 September 2022 年 ;接受 的8 September 20222665-9638/© 2022 年 The Author （ s ）2013 年 12 月 21 日@下午 12 时 45 分 i = =http://creativecommons.org/licenses/by/4.0/）.Contents lists available 可 提供ScienceDirect 的Software影响Journal日志主页 ：www.journals.elsevier.com/software-impactsD. Antweiler ，m . 哈尔曼 ，n . Marheineke 。et艾尔软件 影响 14 （ 2022 ）1004232{���������++Fig. 1.Frameworkconsisting 一致of↓↓1A ASurrogate 的modelforThesimulationofTheFiber下载 LAY-DOWN ，↓↓2Thegeneration 一代ofA AFiberGraph ，↓↓3A A常规solverforAN普通differential 差别equA Ationdescribing 描述Thenonwovens 的MechanicalBehavior 行为UnderverticALLoad 的（ 译者 ： 冯 婉 贞 ）↓↓4及TheFINALpredictedSTR关于 Es-Strain曲线ofThe材料 .thepresented 出席Machine learning办法CAN Reliable近似 Approximate The结果 resulting curves via Regression基于on selected Graph Features 特点While achieving 实现A A 1000 ×速度 。但是 ， 这种 方法 仅 限于 进行 实验 强度 测试 和 实验 所 需 的 物理量 。 停 止 测 试 生 产 的 成 本 。 模 拟 动 机 This MotivatesSimulatingThe 压 力 线 Stress Strain Behavior 行 为 through 通 过Computational means 。 To Be able 的两 个map A A set of productionparameters 参数两 个The associated 相关严格 的 Tensile Behavior 行为one 一Requires 的（ i ）A A model of The underlying 的（ 2 ） 生产 过程 和 非 织造 机械 行为 的 模型 。为了绕过相关模拟的成本，我们采用（三）机器学习方法。个体成分及其相互作用是depicted inFig. 1。纤维 结构generation 一代一 、 生产 过程 中 ， 非 织造 空气 的 生产 ， 包括 热 粘结 过程 ， 最初 的 国防 部 （2].作者提出了一种随机层下模型，根据随机虚拟纤维结构，将实际非织造纤维结构结合在一起，就像一个虚拟的粘合过程，模拟调制。随机层下模型和虚拟键合程序是由在空中生产过程中涉及的各种可变参数启动的。1 、 本 题 考查3 [ 2017 年 ] ， 该 研究 还 增加 了 纤维 在 生产 过程 中 不断 积累 的 特点 纤维 的 数量 ， 以及 不同 类型（ 粘合 剂 和 非 粘合 剂 ） 纤维 的 材料 组成 。结果虚拟键合纤维结构样本的拓扑可以描述我们—ing graphs，其中节点表示高级连接，以及纤维的结束和它们之间的边缘代表纤维连接。本文 graphs ， equippedwith a fiber connection length for each edge and a spatial position foreach node ， are in the following referred to as fiber graphs andserve as基地for模拟/预测The nonwovens 的Tensilestress train curves describe the tensile strength behavior压力训练曲线描述强烈行为。自生产以来，像纤维一样的结构包括许多纤维，模拟正在受到许多需求。 计算的努力必须通过蒙特卡洛模拟框架进一步增加，以防止一般材料行为。Although this model chain enables simulations inpractice.（这个模型在实践中可以实现模拟。（5 [ 4 ] 、 它 不 允许 使用传统 应用 ， 而是 作为 虚拟 无纺布 材料 设计 ，（ 1 ） 初步 同质 化 与并行 化Machine Learning Regression 机器 学习 回归modelWe approach the problem outlined above by introducing （ iii ） aninterpretable machine learning regression model （ 我们 通过 人工 智能引入 （ 三 ） 机器 学习 回归 模型 解决 这个 问题 。4].预测的主题是与个体纤维图相关的压力训练曲线。作为预测的基础，这些特征是从尊重的纤维图中提取出来的。这是一组选定的标准图特征，包括节点和边缘的数量或（加权）短路径的长度，将顶部连接到采样底部，以及一组拉伸 特 征 。 stretch features are determined using a novel stretchingalgorithm （ 拉伸 特征 决定 使用 新颖 的 拉伸 算法 ）4 [ 这 是 基于 非织造 人 的 肥胖 行为 的 简化 模型 。这些已经准备好的代码提供了大量的信息来预测，特别是为了预测纤维延伸和增加压力的样本延长。我们认为，压力因素小组是为目前的目的而特别开发的。提取的特征作为与个体纤维图相关的回归模型的输入使用。压力 曲线 是 由 遵循 恒定 的方 参数 化 估计 的（3]：strictBehavior 。（）=0,���<������（���― ―���）2，≥���，where 哪儿���=（���， ，���） ∈ R2（1）严格 Tensile Strengthsimulationthe employed雇用 Tensile strict 模拟Model Framework 工作（ 二 ） 、with ��� 参考资料 两个 The relative相关 Strain火车 APPLIE应用 两个 The 样本及������ ↓ R+→ R+describing 描述The结果 resulting Reacting部队 ，where哪儿���=（���，���）∈R2 parametrics 参数The曲线 。 We八for A A simple linear 线性Regression2008 年 ， 从 （3 2 、 Recreates the elastic phase of the （ 强调 事物的 弹性 阶段 ）nonwovens 的Tensile Strength Behavior Under Vertical Load垂直负载下的严格行为2013 年 12 月 28 日@上午 11 时 45 分 The suitability of simulationresults is discussed in [4].具体而言，该模型通过捕获个体纤维连接的相互作用，在网络水平上与非线性材料定律相匹配，描述了高级纤维结构的机械行为。一个额外的规范化，确保模型的健康状况，使这成为一个更大规模的普通差分方程（ODE）。Hence，在垂直负载下的某些采样的粘合纤维结构的tensile behavior，可以通过associated ODE的直通数字集成进行模拟。In the course of this procedure the relation of the 程序中 的 关系样本Strain 火车两 个The Reacting Tractive 相关部队CAN betraced 的 themodel两 个ALLOW Interpretability 解释of The结果及The Inspection of特色进口。在训练中，模型最优线性回归加权通过普通最小平方（ OLS ） 来 关 联 输 入 特 征 （ CF ） Table1 （ output labels ） ��� ， ，���respectively 。训练纤维图和相关压力对的数据量—与预先描述的模型链一致的应变曲线。为了评估我们预测的质量，我们将它们与数字集成产生的原始压力训练曲线进行比较。of the ode model是什么意思我们有一个共同的决定���2 = 0.98 using leave—one—out cross—validationwhile achieving a 1000 × speedup（使用一个接一个交叉验证）在calculation 计算Time over The actual Tensile strict Simulations 。D. Antweiler ，m . 哈尔曼 ，n . Marheineke 。et艾尔软件 影响 14 （ 2022 ）1004233|| ���||↓������||12345Table1inputFeatures 特点used在The提议Regression model 。SETSymbolsDescription 介绍���Number Of 数量nodes���Number Of 数量EDGE���Maxmaximum最高 nodeDegree 的l FiberSum of 总结Fiber length 长度∈���（���）���Number of Upper Face 的 评论nodesGraph 的别名 ： Number of Lower Face nodesl 1（1）length of shortest path 最 短 路径1 Between���及���l 2（2）Fiber length sum on weighted shortest path 长度 总和2l 3（2）Euclidean 的Length 长度on Weighted 体重Shortestpath 2���1，���2，���3{mean ， median ， sum} 的 不同 点Between欧几里得 距离 与 纤维 （ Euclidean distance andfiber ）Length 长度���minSize of最 低 限度EDGE cut分离���及���Can be used within the script 可 以在脚 本中使 用predict.pynewly generated fiber 新生 纤维graphs 。所提出 的模拟框架可 用于计算机 辅助过程设计 和材料优化 。Furthermore，它代表了将机器学习方法应用于预测非织造材料制品的概念的证明。自 那时 起 ， 虚拟 伴侣 - - rial design 已经 受到 高 计算 成本 的 限制 ， 这个 新 的 机器 学习 模型 允许 进一步 研究 更多 详细 的过程 和 产品 优化 ， 以前 没有Been 计算机Feasible 。limitations 限制&未来Work模拟 模型 模型 框架 及 随后 的训练Stretch 的���，���，���，���，���（ mean ， std ， median ， max ， sum ）伸展 stretching2013 年 ， 他 出版 了 一 本 书 ， 名 为 《 Recreate the Elastic Phase of theNonwovens 》 。Tensiledistance 距离for ���∈ {1 ，1.05, 1.1...，【 105 】【 105 】Usage&影响代码（提供于CodeOcean上）是以模块化的方式构造的，以供列出的各个模型使用。随机纤维结构发生器和高强度模拟在Matlab中进行。为了适应回归模型，这些是用来产生所需的培训数据。我们提供了一个苹果大小的数据集，就像它的一代人一样，时间消费。1特征 提取 的 实现如同 回归 模型 的 实现 及其 验证are Written在Python 。thedefault for code Execution 执行is The shell script run _运行公司 -tion.shWhich generates 产生exemplary 例子datathat is used两 个火车及机器 学习 回归 模型 （ Machine LearningRegression Model ）expected arguments预期的论点你可以说“all”或“single”或“none”。if if run_computation.sh all is被 执行 ，A A completely 全部NEW数据 集is generated 产生及used for训练及validation 。 Initial production parameters 参数are采样from系列定 义 在 （ 4 [ i ] 可 能在MATLAB 程 序 中 调 整 run -DataBaseGeneration . m 。 。 It takes the arguments ' 'NFullyLabeled ' ' ， ' NSingleLabel ' 'as well as“ NSample ” 。Following 后续（4] this allows 的两 个generate （ 'NFullyLabel' ） Full labeled data sets and （ 'NSingleLa' ）single labeled data sets. 生 成 （ 'NFullyLabel' ） 完 全 标 记 数 据 集 和（'NSingleLa'）单标签数据集。对于两个数据集（'NSample'），纤维图是在它们全部（完全标记）或只有一个（单标记）与一个关联压力曲线相 匹 配 的 地 方 生 成 的 。 We note that labeling takes a considerableamount of computing 我们 注意 到 ， 这种 标签 需要 一 种 可 理解 的 计算机 类型Time for Which A A paralelization 并行 化is包括 在内 。 onExecution 执行ofrun_computation.sh single 单一，A A single 单一data pair（ consistent ）ofA Fiber Graph and an associated stress-strain curve （ 纤维 图 和 相关 应力 曲线 ） 是 生成 的及添加到用于培训和验证的提供数据集。 This is done using the matlabroutine 使用 MATLAB 完成runSampleAndSimulate . m什么 是 接受Thearguments 的nlabeledsample 的 意思及使用 NUNlabeledSamples该图分别指定了纤维图的数量，并在没有相关压力曲线的情况下采样。此 选项 适用 于 - 视频两 个Illustrate 文件The generation 一代of ANadditional 附加data pair 。 the defaultfor execution ， however ， is 执 行 ， 是 什 么 意 思 执 行run_computation.sh none Which UsesA Asmall precomputed 预 计 算 数 据 集 Without generating 产 生 anyadditional 附加dataPairs。在 所有 情况 下 ， 数据 集 的 结果 是 使用 Python 脚本 进行 处理feature _ generation . py 特性， ，which computes graphfeatures that serve as explanatory variables for regression ， and （ 什么 情况 下 ， 图形 特征 可 作为 回归 的 解释 变量 ）工作 机会 -ting.py， ，这 表明 压力 曲线 是 预测 的压力线曲线的标签作为相互依赖的变量。In a Last Step ， Invoked by Running （ 最 后 一 步 ，被 提 名 ）train _ validate . py （ 火 车 ） ， ， TheObtained Variables 的 影人（ 说明 性/依赖 性 ）are used for训练及validation 验证of the regression model ， the latter of which is performed using aleave-one - out 回归 模型 ， 运用 其中 的 潜 台词Cross Validation 有效性across 的The样本production parame - ter combinations ， cf . ，（4].回归模型已被保存和使用1 Full数据 集isavailable可用viahttps://github.com/pwelke/random-nonwoven-fibers/blob/main/code/download _ data . py 非 织造 纤维/blob/main/code/download _ data . pyD. Antweiler ，m . 哈尔曼 ，n . Marheineke 。et艾尔软件 影响 14 （ 2022 ）1004234|严格的行为。可能的扩展包括玻璃的引入—此外 ， 我们 还 希望 扩展我们 的 框架 ， 以 支持 其他 非 织造 材料 材料 ， 包括 绝缘 ， 抗 流 或声学 材料 ， 以及 不同 的production过程 。PublicationsScholarly Publications 已 由 我们 提供软件 ：• Dario Antweiler ， Marc Harmening ， Nicole Marheineke ，Andre Schmeischer ，Raimund 的易 云 ，Pascal 的welke基于Graph Tensile Strength Approximation of Random NonwovenMaterials by Inter - Pretable Regression （ 随机 非 织造 材料 的平均 强度 近似 ）《 Machine Learning with Applications 》 ，2022 年 ，https://doi.org/10.1016/j.mlwa.2022.100288• Marc Harmening，Nicole Marheineke，和Raimund Wegener.马克·哈梅宁，Nicole Marheineke，和Raimund Wegener. 高效率的随机纤维结构的严格仿真（Efficient Graph—Based Tensile StrengthSimulations of Random Fiber Structures ） 。 ZAMM - Journal ofApplied Mathematics and Mechan - ics/应用 数学 与 力学 杂志 ，2021 年 ，https://doi.org/10.1002/zamm.202000287比赛 宣言 Declaration of CompetitionInterest作者 称 ， 他们 不 知道 如何 处理 财务 问题 - 商业 关系 或 个人 关系 可能 引起 影响The Work报告在this纸 。Acknowledgments的。theWork of DA ，AS及rw何 为conducted 管理在Fraunhofer 的Cluster 系 列 英 文片 名Of Excellence Cognitive 的 互 联网technologies 。 PW 的研究 research HAS部分 经费 由 德国 联邦 教育 与 研究 部 提供 。as part of The Competence中心for MachineLearning ML 2 R （ S18038 C ） 。MH 和 NM 承认 支持 研究 培训 组算法 优化 （ ALOP ， RTG 2126 ）FUNDED By The German研究Research基金 会 。References[1]作 者 ： Behnam Pourdeyhimi ， 复 合 无 纺 布 材 料 ： 结 构 Properties andApplications ， Elsevier 公司2014.[2]Simone Gramsch ， Axel Klar ， Günter Leugingen ， Nicole Marheineke ，ChristianNessler ， Christoph Strohmeyer ， Raimund Wegener ， Aerodynamicweb forming ：过程 模拟 和 材料 ，J 。HD 6 （ 1 ）（ 2016 ） 。[3]Marc Harmening ， Nicole Marheineke ， Raimund Wegener ， Efficient graph-based （ 基于 图形 的 高效 ）随机 纤维 结构 的 严格 仿真 ， ZAMMJ 。appl 。math.mech/ Z。 ANGEW。 数学 Mech . 101 （ 9 ） （ 2021 ）e202000287 的 。[4]达 里 奥 · 安 特 韦 勒 ， Marc Harmening ， Nicole Marheineke ， AndreSchmeischer ， RaimundPascal Welke （ 英语 ： Pascal Welke ） ， 基于 石墨烯的 严 格 随 机 近 似 nonwoven 的 Materials By Interpretable 解 释 回 归 ， 马 赫Learn 。 appl 。 8（ 2022 ）100288.[5]Raimund Wegener ， Nicole Marheineke ， Dietmar Hietel ， 虚拟 制作Filamentsand fleeces ， in ： Currents in Industrial Mathematics （ 施普林格 ） ， 2015年 。 103-162.