論文の概要: Machine learning based digital twin for dynamical systems with multiple time-scales

• arxiv url: http://arxiv.org/abs/2005.05862v2
• Date: Sun, 14 Jun 2020 05:12:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 18:23:00.501069
• Title: Machine learning based digital twin for dynamical systems with multiple time-scales
• Title（参考訳）: 複数の時間スケールを持つ動的システムのための機械学習に基づくディジタルツイン
• Authors: Souvik Chakraborty and Sondipon Adhikari
• Abstract要約: 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。
• 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: Digital twin technology has a huge potential for widespread applications in different industrial sectors such as infrastructure, aerospace, and automotive. However, practical adoptions of this technology have been slower, mainly due to a lack of application-specific details. Here we focus on a digital twin framework for linear single-degree-of-freedom structural dynamic systems evolving in two different operational time scales in addition to its intrinsic dynamic time-scale. Our approach strategically separates into two components -- (a) a physics-based nominal model for data processing and response predictions, and (b) a data-driven machine learning model for the time-evolution of the system parameters. The physics-based nominal model is system-specific and selected based on the problem under consideration. On the other hand, the data-driven machine learning model is generic. For tracking the multi-scale evolution of the system parameters, we propose to exploit a mixture of experts as the data-driven model. Within the mixture of experts model, Gaussian Process (GP) is used as the expert model. The primary idea is to let each expert track the evolution of the system parameters at a single time-scale. For learning the hyperparameters of the `mixture of experts using GP', an efficient framework the exploits expectation-maximization and sequential Monte Carlo sampler is used. Performance of the digital twin is illustrated on a multi-timescale dynamical system with stiffness and/or mass variations. The digital twin is found to be robust and yields reasonably accurate results. One exciting feature of the proposed digital twin is its capability to provide reasonable predictions at future time-steps. Aspects related to the data quality and data quantity are also investigated.
• Abstract（参考訳）: 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。 しかし、アプリケーション固有の詳細が欠如しているため、この技術の実践的な採用は遅かった。 本稿では,線形単一自由度構造力学系を2つの異なる操作時間スケールで進化させるデジタルツインフレームワークと,その固有な動的時間スケールに着目した。 私たちのアプローチは戦略的に2つのコンポーネントに分離します。 (a)データ処理及び応答予測のための物理に基づく名目モデル、及び (b)システムパラメータの時間発展のためのデータ駆動機械学習モデル。 物理学に基づく名目モデルはシステム固有であり、検討中の問題に基づいて選択される。 一方、データ駆動機械学習モデルは汎用的である。 システムパラメータのマルチスケール進化を追跡するために,データ駆動モデルとして専門家の混在を利用した手法を提案する。 専門家モデルの混合では、専門家モデルとしてガウス過程(gp)が用いられる。 第一の考え方は、各専門家がシステムパラメータの進化を単一の時間スケールで追跡できるようにすることである。 GPを用いた'エキスパートの混合'のハイパーパラメータの学習には、予測最大化とシーケンシャルなモンテカルロサンプリングを利用する効率的なフレームワークが使用される。 ディジタル双生児の性能は剛性および/または質量変動を有する多時間力学系で示される。 デジタル双生児は頑丈で、合理的に正確な結果が得られる。 提案されているデジタルツインのエキサイティングな特徴は、将来のタイミングで合理的な予測を提供する能力である。 データ品質とデータ量に関する側面についても検討した。

関連論文リスト

• Learning System Dynamics without Forgetting [60.08612207170659]
  未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。 本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。 生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-30T14:55:18Z)
• Enhanced multi-fidelity modelling for digital twin and uncertainty quantification [0.0]
  データ駆動モデルは、リアルタイムのアップデートと予測を可能にするデジタルツインにおいて重要な役割を果たす。 利用可能なデータの忠実さと正確なセンサーデータの不足は、しばしば代理モデルの効率的な学習を妨げる。 本稿では,ロバストなマルチフィデリティ・サロゲートモデルの開発から始まる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-26T05:58:17Z)
• 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)
• Decentralized digital twins of complex dynamical systems [0.0]
  動的システムのための分散双対(DDT)フレームワークを提案する。 計算科学・工学応用におけるDDTパラダイムの展望について論じる。
  論文  参考訳（メタデータ） (2022-07-07T19:44:42Z)
• 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)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Machine learning based digital twin for stochastic nonlinear multi-degree of freedom dynamical system [0.0]
  非線形多自由度(DOFM)動的システムのための新しいデジタルツインフレームワークを提案する。 提案フレームワークはベイズフィルタと機械学習アルゴリズムの任意の選択で使用することができる。 その結果,提案するデジタルツインフレームワークの適用可能性と性能が示唆された。
  論文  参考訳（メタデータ） (2021-03-29T14:14:06Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Combining Machine Learning with Knowledge-Based Modeling for Scalable Forecasting and Subgrid-Scale Closure of Large, Complex, Spatiotemporal Systems [48.7576911714538]
  我々は、過去のデータを予測に組み込む上で、機械学習を必須のツールとして活用しようと試みる。 i)並列機械学習予測手法と(ii)ハイブリッド手法の2つの手法を組み合わせて,知識ベースコンポーネントと機械学習ベースコンポーネントからなる複合予測システムを提案する。 i) と (ii) を組み合わせることで、非常に大規模なシステムに優れた性能を与えることができるだけでなく、並列機械学習コンポーネントを訓練するのに必要となる時系列データの長さが、並列化なしで必要なものよりも劇的に少ないことを実証した。
  論文  参考訳（メタデータ） (2020-02-10T23:21:50Z)
• The role of surrogate models in the development of digital twins of dynamic systems [0.0]
  デジタルツイン技術は、幅広い応用可能性の約束、関連性、可能性を秘めている。 デジタルツインはデータと計算手法を活用することが期待されている。 我々は,デジタルツイン技術における代理モデルの利用の可能性について検討した。
  論文  参考訳（メタデータ） (2020-01-25T10:48:35Z)

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。