論文の概要: Using Machine Learning Approach for Computational Substructure in
Real-Time Hybrid Simulation
- arxiv url: http://arxiv.org/abs/2004.02037v1
- Date: Sat, 4 Apr 2020 22:22:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 23:27:19.329596
- Title: Using Machine Learning Approach for Computational Substructure in
Real-Time Hybrid Simulation
- Title（参考訳）: 実時間ハイブリッドシミュレーションにおける計算部分構造への機械学習手法の適用
- Authors: Elif Ecem Bas, Mohamed A. Moustafa, David Feil-Seifer, Janelle
Blankenburg
- Abstract要約: ハイブリッドシミュレーション(Hybrid Simulation, HS)は、計算サブストラクチャと、よく理解されたコンポーネントの数値モデルを組み合わせた、広く使われている構造試験手法である。
高速HSやリアルタイムHSの課題の1つは、比較的複雑な構造の解析的部分構造と関連している。
本研究では,解析的サブ構造の構造的動的挙動を表現するメタモデリング手法を提案する。
- 参考スコア（独自算出の注目度）: 1.0323063834827415
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hybrid simulation (HS) is a widely used structural testing method that
combines a computational substructure with a numerical model for
well-understood components and an experimental substructure for other parts of
the structure that are physically tested. One challenge for fast HS or
real-time HS (RTHS) is associated with the analytical substructures of
relatively complex structures, which could have large number of degrees of
freedoms (DOFs), for instance. These large DOFs computations could be hard to
perform in real-time, even with the all current hardware capacities. In this
study, a metamodeling technique is proposed to represent the structural dynamic
behavior of the analytical substructure. A preliminary study is conducted where
a one-bay one-story concentrically braced frame (CBF) is tested under
earthquake loading by using a compact HS setup at the University of Nevada,
Reno. The experimental setup allows for using a small-scale brace as the
experimental substructure combined with a steel frame at the prototype
full-scale for the analytical substructure. Two different machine learning
algorithms are evaluated to provide a valid and useful metamodeling solution
for analytical substructure. The metamodels are trained with the available data
that is obtained from the pure analytical solution of the prototype steel
frame. The two algorithms used for developing the metamodels are: (1) linear
regression (LR) model, and (2) basic recurrent neural network (RNN). The
metamodels are first validated against the pure analytical response of the
structure. Next, RTHS experiments are conducted by using metamodels. RTHS test
results using both LR and RNN models are evaluated, and the advantages and
disadvantages of these models are discussed.
- Abstract（参考訳）: ハイブリッドシミュレーション(Hybrid Simulation, HS)は、計算サブストラクチャと、よく理解されたコンポーネントの数値モデルと、物理的にテストされる構造の他の部分の実験サブストラクチャを組み合わせた、広く使われている構造試験手法である。
高速hs(real-time hs)やリアルタイムhs(real-time hs)に対する1つの課題は、比較的複雑な構造の分析的部分構造と関連している。
これらの大規模なDOFの計算は、現在のハードウェア能力がすべてあっても、リアルタイムに実行できない可能性がある。
本研究では,解析的サブ構造の構造的動的挙動を表現するメタモデリング手法を提案する。
ネバダ大学リノ校(英語版)の小型hs装置を用いて地震荷重下で1階建て1階建ての同心支柱(cbf)を試験する予備実験を行った。
実験装置は、小型のブレスを実験サブストラクチャとして、分析サブストラクチャのプロトタイプフルスケールのスチールフレームと組み合わせることができる。
2つの異なる機械学習アルゴリズムを評価し、解析的サブ構造のための有効なメタモデリングソリューションを提供する。
メタモデルは、プロトタイプ鋼製フレームの純分析解から得られる利用可能なデータで訓練される。
メタモデルの開発に使用される2つのアルゴリズムは、(1)線形回帰(LR)モデルと(2)基本リカレントニューラルネットワーク(RNN)である。
メタモデルはまず、構造の純粋な分析応答に対して検証される。
次にメタモデルを用いてRTHS実験を行う。
LRモデルとRNNモデルの両方を用いたRTHS試験結果の評価を行い、これらのモデルの利点と欠点について論じる。
関連論文リスト
- Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。
この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。
提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文 参考訳（メタデータ） (2024-07-26T10:29:16Z) - Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [61.64685376882383]
ランク付け学習(CLTR: Counterfactual Learning to rank)は、IRコミュニティにおいて、ログ化された大量のユーザインタラクションデータを活用してランキングモデルをトレーニングする能力において、大きな注目を集めている。
本稿では,複雑かつ多様な状況における既存のCLTRモデルのロバスト性について検討する。
その結果, DLAモデルとIPS-DCMは, PS-PBMやPSSよりも, オフラインの確率推定による堅牢性が高いことがわかった。
論文 参考訳（メタデータ） (2024-04-04T10:54:38Z) - Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。
運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。
結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
論文 参考訳（メタデータ） (2024-02-28T02:16:03Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Accurate deep learning sub-grid scale models for large eddy simulations [0.0]
大型渦流シミュレーション(LES)のために開発されたサブグリッドスケール(SGS)乱流モデルについて述べる。
彼らの開発には、物理インフォームド・ロバストで効率的なDeep Learning (DL)アルゴリズムの定式化が必要だった。
2つの摩擦レイノルズ数における正準流路流れの直接シミュレーションによるデータの明示的なフィルタリングは、訓練と試験のための正確なデータを提供した。
論文 参考訳（メタデータ） (2023-07-19T15:30:06Z) - Str2Str: A Score-based Framework for Zero-shot Protein Conformation
Sampling [23.74897713386661]
タンパク質の動的性質は、その生物学的機能や性質を決定するために重要である。
既存の学習ベースのアプローチでは、直接サンプリングを行うが、トレーニングにはターゲット固有のシミュレーションデータに大きく依存する。
ゼロショットコンフォーメーションサンプリングが可能な新しい構造間翻訳フレームワークStr2Strを提案する。
論文 参考訳（メタデータ） (2023-06-05T15:19:06Z) - Disentangling Structured Components: Towards Adaptive, Interpretable and
Scalable Time Series Forecasting [52.47493322446537]
本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。
SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。
SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
論文 参考訳（メタデータ） (2023-05-22T13:39:44Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - A Unifying Multi-sampling-ratio CS-MRI Framework With Two-grid-cycle
Correction and Geometric Prior Distillation [7.643154460109723]
本稿では,モデルベースと深層学習に基づく手法の利点を融合して,深層展開型マルチサンプリング比CS-MRIフレームワークを提案する。
マルチグリッドアルゴリズムにインスパイアされ、まずCS-MRIに基づく最適化アルゴリズムを補正蒸留方式に組み込む。
各段の圧縮サンプリング比から適応的なステップ長と雑音レベルを学習するために条件モジュールを用いる。
論文 参考訳（メタデータ） (2022-05-14T13:36:27Z) - On generative models as the basis for digital twins [0.0]
デジタルツインや構造鏡の基礎として、生成モデルのためのフレームワークが提案されている。
この提案は、決定論的モデルは、ほとんどの構造モデリングアプリケーションに存在する不確実性を説明できないという前提に基づいている。
論文 参考訳（メタデータ） (2022-03-08T20:34:56Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。