論文の概要: From Physics-Based Models to Predictive Digital Twins via Interpretable Machine Learning

• arxiv url: http://arxiv.org/abs/2004.11356v3
• Date: Tue, 28 Apr 2020 21:08:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 12:39:30.541794
• Title: From Physics-Based Models to Predictive Digital Twins via Interpretable Machine Learning
• Title（参考訳）: 物理モデルから解釈可能な機械学習による予測デジタル双生児へ
• Authors: Michael G. Kapteyn and Karen E. Willcox
• Abstract要約: この研究は、物理モデルライブラリーからデータ駆動型デジタルツインを作成する方法論を開発する。 デジタルツインは、解釈可能な機械学習を使用して更新される。 このアプローチは、12フィートの翼幅無人航空機のための構造的デジタルツインの開発を通じて実証される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work develops a methodology for creating a data-driven digital twin from a library of physics-based models representing various asset states. The digital twin is updated using interpretable machine learning. Specifically, we use optimal trees---a recently developed scalable machine learning method---to train an interpretable data-driven classifier. Training data for the classifier are generated offline using simulated scenarios solved by the library of physics-based models. These data can be further augmented using experimental or other historical data. In operation, the classifier uses observational data from the asset to infer which physics-based models in the model library are the best candidates for the updated digital twin. The approach is demonstrated through the development of a structural digital twin for a 12ft wingspan unmanned aerial vehicle. This digital twin is built from a library of reduced-order models of the vehicle in a range of structural states. The data-driven digital twin dynamically updates in response to structural damage or degradation and enables the aircraft to replan a safe mission accordingly. Within this context, we study the performance of the optimal tree classifiers and demonstrate how their interpretability enables explainable structural assessments from sparse sensor measurements, and also informs optimal sensor placement.
• Abstract（参考訳）: 本研究は,様々な資産状態を表す物理モデルライブラリから,データ駆動型デジタルツインを作成する手法を開発する。 デジタルツインは、解釈可能な機械学習を使用して更新される。 具体的には,最近開発されたスケーラブルな機械学習手法である最適木を用いて,解釈可能なデータ駆動型分類器を訓練する。 物理モデルライブラリによって解決されたシミュレーションシナリオを用いて、分類器のトレーニングデータをオフラインで生成する。 これらのデータは、実験データや他の歴史的データを用いてさらに拡張することができる。 動作において、分類器は資産からの観測データを用いて、モデルライブラリのどの物理モデルが更新されたデジタルツインの最適候補であるかを推定する。 このアプローチは、12フィートの翼幅無人航空機のための構造的デジタルツインの開発を通じて実証される。 このデジタル双生児は、様々な構造状態の車両の低次モデルのライブラリから構築されている。 データ駆動型デジタルツインは構造的な損傷や劣化に応じて動的に更新され、航空機はそれに応じて安全なミッションを計画できる。 この文脈において,最適木分類器の性能を検証し,その解釈性がスパースセンサ測定から説明可能な構造評価を可能にし,最適なセンサ配置を知らせることを示す。

関連論文リスト

• An Interpretable Systematic Review of Machine Learning Models for Predictive Maintenance of Aircraft Engine [0.12289361708127873]
  本稿では,航空機エンジンの保守性を予測するため,各種機械学習モデルと深層学習モデルの解釈可能なレビューを行う。 本研究では, LSTM, Bi-LSTM, RNN, Bi-RNN GRU, Random Forest, KNN, Naive Bayes, Gradient Boostingを用いて, 航空機のエンジン故障の予測にセンサデータを用いた。 97.8%、97.14%、96.42%はGRU、Bi-LSTM、LSTMによってそれぞれ得られる。
  論文  参考訳（メタデータ） (2023-09-23T08:54:10Z)
• Defect Classification in Additive Manufacturing Using CNN-Based Vision Processing [76.72662577101988]
  本稿では、まず、畳み込みニューラルネットワーク(CNN)を用いて、画像データセットの欠陥をAMから第2に正確に分類し、発達した分類モデルにアクティブラーニング技術を適用する。 これにより、トレーニングデータやトレーニングデータの生成に必要なデータのサイズを削減できる、ヒューマン・イン・ザ・ループ機構の構築が可能になる。
  論文  参考訳（メタデータ） (2023-07-14T14:36:58Z)
• Probabilistic machine learning based predictive and interpretable digital twin for dynamical systems [0.0]
  ディジタルツインを更新するための2つのアプローチが提案されている。 どちらの場合も、更新されたデジタル双生児の表現は同一である。 提案手法は、ディジタル双対モデルにおける摂動の正確な説明を提供する。
  論文  参考訳（メタデータ） (2022-12-19T04:25:59Z)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• How Well Do Sparse Imagenet Models Transfer? [75.98123173154605]
  転送学習は、大規模な"上流"データセットで事前訓練されたモデルが、"下流"データセットで良い結果を得るために適応される古典的なパラダイムである。 本研究では、ImageNetデータセットでトレーニングされた畳み込みニューラルネットワーク(CNN)のコンテキストにおいて、この現象を詳細に調査する。 スパースモデルでは, 高空間であっても, 高密度モデルの転送性能にマッチしたり, 性能に優れることを示す。
  論文  参考訳（メタデータ） (2021-11-26T11:58:51Z)
• DeepSatData: Building large scale datasets of satellite images for training machine learning models [77.17638664503215]
  本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。 本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
  論文  参考訳（メタデータ） (2021-04-28T15:13:12Z)
• A Probabilistic Graphical Model Foundation for Enabling Predictive Digital Twins at Scale [0.0]
  結合ダイナミクスシステムの集合として、アセットツインシステムの抽象化を作成します。 本研究では,無人航空機のディジタル双対構造を実現するために,モデルがどのようにインスタンス化されるかを実証する。
  論文  参考訳（メタデータ） (2020-12-10T17:33:59Z)
• Machine learning based digital twin for dynamical systems with multiple time-scales [0.0]
  デジタルツイン技術は、インフラ、航空宇宙、自動車といった様々な産業分野で広く応用される可能性がある。 ここでは、2つの異なる運用時間スケールで進化する線形単一自由度構造力学系のためのデジタルツインフレームワークに焦点を当てる。
  論文  参考訳（メタデータ） (2020-05-12T15:33:25Z)
• A machine learning based plasticity model using proper orthogonal decomposition [0.0]
  データ駆動の物質モデルは、古典的な数値的アプローチよりも多くの利点がある。 データ駆動型マテリアルモデルを開発する1つのアプローチは、機械学習ツールを使用することである。 弾性と塑性の両面において,機械学習に基づく材料モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-01-07T15:46:16Z)

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。