search

leopoldoagorio / solid-mechanics-ML

This repository contains code for a project that trains a neural network to solve solid mechanics problems faster than the traditional finite element method. It includes a pipeline for generating a database of FEM solutions and experiments comparing the neural network model to the FEM.
MIT License
8 stars 2 forks source link

Crear un informe de cierre #28

Closed mvanzulli closed 1 year ago

mvanzulli commented 1 year ago
mvanzulli commented 1 year ago

So podría agregar algo de:

  1. Análsis de tiempos de evaluación
  2. Análsis rápdio de arquitectura
leopoldoagorio commented 1 year ago

Un poco desarrollo del esqueleto antes de ponerse con más fuerza a escribir:

  1. Introducción: motivación, modelos de deformación costosos, vs modelos surrogados.
  2. Esquema de trabajo: Modelo uniaxial, ONSAS, bash script, entrenamiento con MLP. Modelo cantilever.
  3. Herramientas utilizadas: ONSAS.m, bash script, pytorch MLP
  4. Resultados: training loss y test loss para uniaxial. Para uniaxial comparación con curva teórica, evaluación en un punto fuera del dataset. Para cantilever, losses, baseline 0 desp?? baseline relativo.
  5. Conclusiones: Ventajas del esquema y posibilidades de escalado. Simplicidad del problema.
mvanzulli commented 1 year ago

No ta ble, creo que el punto 4 podemos actualizarlo con lo que hablamos la pasada.

leopoldoagorio commented 1 year ago

En el commit bd2d3fc fue un primer intento. Mañana le sigo metiendo

leopoldoagorio commented 1 year ago
leopoldoagorio commented 1 year ago

Referencia: Plan de trabajo de papeles de mi EH.

  1. Contexto y motivación Desde abril de 2019 se está ejecutando el proyecto de investigación mencionado arriba. Los objetivos centrales del mismo son, por una parte, desarrollar y validar métodos matemáticos que permitan aportar nuevas soluciones a problemas planteados a nivel clínico en el diagnóstico de cáncer de mama y por otra parte fortalecer equipos multidisciplinarios regionales para ese fin. El proyecto en curso cuenta hasta el momento con un equipo de investigadores de los institutos IET, IIMPI, InCo y a partir de Enero de 2023 del IIE de Facultad de Ingeniería. También participan investigadores de instituciones del extranjero como el (HeMoLab, LNCC, Brasil) y Instituto de Ingeniería Mecánica y Biomecánica del Departamento de Ingeniería Mecánica y de Materiales de la Universitat Politècnica de València (UPV), España. Las principales líneas del trabajo del proyecto continúan desarrollos presentados en (Pérez Zerpa et al., 2019). En este año el integrante del grupo Mauricio Vanzulli realizó una estancia de investigación en la UPV. Durante esta estancia se fortaleció el vínculo previamente iniciado con la Dra. María José Rupérez y se avanzó en el estudio de métodos de identificación orientados a la aplicación biomédica, así como también la exploración de técnicas basadas en Inteligencia Artificial a estos problemas.

Uno de los principales desafíos en el desarrollo de prototipos numéricos (utilizando el Método de los Elementos Finitos (MEF) (Bathe, 2014)) es lograr una eficiencia computacional que permita resolver problemas numéricos en tiempos compatibles con los tiempos clínicos. Esta problemática ha sido planteada por colaboradores del proyecto y una solución emergente es el uso de Machine Learning (ML) (Martínez-Martínez et al., 2017).

Por otra parte, también se comenzó a explorar la aplicación de técnicas de paralelización de GPU para problemas de identificación y simulación en colaboración con integrantes del proyecto del INCO. En este contexto se plantea el presente plan de trabajo.

  1. Objetivos Los principales objetivos del presente plan son: Aportar al desarrollo de herramientas de alta eficiencia computacional para el modelado de sólidos y/o estructuras sometidos a grandes deformaciones y fenómenos no lineales como contacto. Explorar la eficacia de herramientas de ML, en particular utilizando Redes Neuronales para la resolución de problemas inspirados en las aplicaciones de interés del proyecto. Aportar al desarrollo de soluciones multidisciplinarias fortaleciendo el vínculo entre instituciones de la UdelaR y la UPV.
  2. Actividades a realizar Las actividades a realizar son enumeradas esquemáticamente a continuación: Estudio e implantación de técnicas de ML: Análisis de fortalezas y debilidades de las distintas técnicas para la simulación no lineal de sólidos y/o estructuras, utilizando el MEF y/o soluciones semi-analíticas. Obtener resultados sobre el desempeño de la/s técnica/s