論文の概要: Efficient Characterization of Dynamic Response Variation Using
Multi-Fidelity Data Fusion through Composite Neural Network
- arxiv url: http://arxiv.org/abs/2005.03213v1
- Date: Thu, 7 May 2020 02:44:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 22:57:42.060224
- Title: Efficient Characterization of Dynamic Response Variation Using
Multi-Fidelity Data Fusion through Composite Neural Network
- Title（参考訳）: 複合ニューラルネットワークを用いた多要素データ融合による動的応答変動の効率的な評価
- Authors: Kai Zhou, Jiong Tang
- Abstract要約: 構造力学解析における多レベル応答予測の機会を利用する。
得られた多レベル異種データセットを完全に活用できる複合ニューラルネットワーク融合手法を定式化する。
- 参考スコア（独自算出の注目度）: 9.446974144044733
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Uncertainties in a structure is inevitable, which generally lead to variation
in dynamic response predictions. For a complex structure, brute force Monte
Carlo simulation for response variation analysis is infeasible since one single
run may already be computationally costly. Data driven meta-modeling approaches
have thus been explored to facilitate efficient emulation and statistical
inference. The performance of a meta-model hinges upon both the quality and
quantity of training dataset. In actual practice, however, high-fidelity data
acquired from high-dimensional finite element simulation or experiment are
generally scarce, which poses significant challenge to meta-model
establishment. In this research, we take advantage of the multi-level response
prediction opportunity in structural dynamic analysis, i.e., acquiring rapidly
a large amount of low-fidelity data from reduced-order modeling, and acquiring
accurately a small amount of high-fidelity data from full-scale finite element
analysis. Specifically, we formulate a composite neural network fusion approach
that can fully utilize the multi-level, heterogeneous datasets obtained. It
implicitly identifies the correlation of the low- and high-fidelity datasets,
which yields improved accuracy when compared with the state-of-the-art.
Comprehensive investigations using frequency response variation
characterization as case example are carried out to demonstrate the
performance.
- Abstract（参考訳）: 構造内の不確かさは必然であり、一般に動的応答予測のばらつきにつながる。
複雑な構造の場合、応答変動解析のためのブルート力モンテカルロシミュレーションは、1回のランが既に計算コストがかかるため実現不可能である。
したがって、効率的なエミュレーションと統計推論を容易にするために、データ駆動型メタモデリングアプローチが研究されている。
メタモデルのパフォーマンスは、トレーニングデータセットの品質と量の両方にかかっている。
しかし実際には、高次元有限要素シミュレーションや実験から得られる忠実度データは一般的には乏しいため、メタモデルの確立には大きな課題がある。
本研究では、構造力学解析における多レベル応答予測の機会、すなわち、低次モデリングから大量の低忠実度データを迅速に取得し、フルスケール有限要素解析から少量の高忠実度データを精度良く取得する。
具体的には、得られた多レベル不均質なデータセットを十分に活用できる複合ニューラルネットワーク融合手法を定式化する。
低忠実度データセットと高忠実度データセットの相関を暗黙的に識別し、最先端のデータセットと比較すると精度が向上する。
周波数応答変動特性を事例として包括的調査を行い,性能の検証を行った。
関連論文リスト
- Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Learning Latent Dynamics via Invariant Decomposition and
(Spatio-)Temporal Transformers [0.6767885381740952]
本研究では,高次元経験データから力学系を学習する手法を提案する。
我々は、システムの複数の異なるインスタンスからデータが利用できる設定に焦点を当てる。
我々は、単純な理論的分析と、合成および実世界のデータセットに関する広範な実験を通して行動を研究する。
論文 参考訳（メタデータ） (2023-06-21T07:52:07Z) - Iterative self-transfer learning: A general methodology for response
time-history prediction based on small dataset [0.0]
本研究では,小さなデータセットに基づいてニューラルネットワークを学習するための反復的自己伝達学習手法を提案する。
提案手法は,小さなデータセットに対して,ほぼ一桁の精度でモデル性能を向上させることができることを示す。
論文 参考訳（メタデータ） (2023-06-14T18:48:04Z) - 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) - Variational Hierarchical Mixtures for Probabilistic Learning of Inverse
Dynamics [20.953728061894044]
適切に校正された確率回帰モデルは、データセットが急速に成長し、タスクがより複雑になるにつれて、ロボットアプリケーションにおいて重要な学習要素である。
計算効率のよい表現と計算複雑性の正規化を両世界の利点と組み合わせた確率論的階層的モデリングパラダイムを考察する。
これらの表現を学習するための2つの効率的な変分推論手法を導出し、階層的無限局所回帰モデルの利点を強調する。
論文 参考訳（メタデータ） (2022-11-02T13:54:07Z) - Dynamic Latent Separation for Deep Learning [67.62190501599176]
機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。
本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
論文 参考訳（メタデータ） (2022-10-07T17:56:53Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳（メタデータ） (2022-05-25T17:37:08Z) - Complexity Measures for Multi-objective Symbolic Regression [2.4087148947930634]
多目的的シンボリック回帰は、学習したモデルの精度が最大化される一方で、その複雑さが自動的に適応されるという利点がある。
NSGA-IIを用いて多目的最適化を行う場合, シンボリック回帰においてどの複雑性尺度が最適に使用されるかを検討する。
論文 参考訳（メタデータ） (2021-09-01T08:22:41Z) - Model-data-driven constitutive responses: application to a multiscale
computational framework [0.0]
古典法則(モデルベース)、データ駆動補正コンポーネント、計算的マルチスケールアプローチを組み合わせたハイブリッド方法論が提示される。
非線形数値均質化法により得られた低スケールのデータを用いてモデルベース材料表現を局所的に改善する。
提案手法では,モデルとデータの両方が基本的な役割を担い,物理に基づく応答と機械学習のブラックボックスの相乗的統合を実現する。
論文 参考訳（メタデータ） (2021-04-06T16:34:46Z) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳（メタデータ） (2020-06-11T09:58:01Z)
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。