論文の概要: DynNet: Physics-based neural architecture design for linear and
nonlinear structural response modeling and prediction
- arxiv url: http://arxiv.org/abs/2007.01814v1
- Date: Fri, 3 Jul 2020 17:05:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 04:44:45.289749
- Title: DynNet: Physics-based neural architecture design for linear and
nonlinear structural response modeling and prediction
- Title（参考訳）: DynNet:線形および非線形構造応答モデリングと予測のための物理に基づくニューラルネットワーク設計
- Authors: Soheil Sadeghi Eshkevari, Martin Tak\'a\v{c}, Shamim N. Pakzad, and
Majid Jahani
- Abstract要約: 本研究では,線形および非線形な多自由度系の力学を学習できる物理に基づくリカレントニューラルネットワークモデルを提案する。
このモデルは、変位、速度、加速度、内部力を含む完全な応答のセットを推定することができる。
- 参考スコア（独自算出の注目度）: 2.572404739180802
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data-driven models for predicting dynamic responses of linear and nonlinear
systems are of great importance due to their wide application from
probabilistic analysis to inverse problems such as system identification and
damage diagnosis. In this study, a physics-based recurrent neural network model
is designed that is able to learn the dynamics of linear and nonlinear multiple
degrees of freedom systems given a ground motion. The model is able to estimate
a complete set of responses, including displacement, velocity, acceleration,
and internal forces. Compared to the most advanced counterparts, this model
requires a smaller number of trainable variables while the accuracy of
predictions is higher for long trajectories. In addition, the architecture of
the recurrent block is inspired by differential equation solver algorithms and
it is expected that this approach yields more generalized solutions. In the
training phase, we propose multiple novel techniques to dramatically accelerate
the learning process using smaller datasets, such as hardsampling, utilization
of trajectory loss function, and implementation of a trust-region approach.
Numerical case studies are conducted to examine the strength of the network to
learn different nonlinear behaviors. It is shown that the network is able to
capture different nonlinear behaviors of dynamic systems with very high
accuracy and with no need for prior information or very large datasets.
- Abstract（参考訳）: 線形系および非線形系の動的応答を予測するためのデータ駆動モデルは、確率論的解析からシステム識別や損傷診断などの逆問題への広範な適用のために非常に重要である。
本研究では, 物理に基づくリカレントニューラルネットワークモデルを用いて, 基底運動が与えられた線形および非線形な多自由度系の力学を学習できるように設計された。
このモデルは、変位、速度、加速度、内部力を含む完全な応答のセットを推定することができる。
最も先進的なものと比較して、このモデルは訓練可能な変数の数が少ないが、長い軌道では予測の精度が高い。
さらに、再帰ブロックのアーキテクチャは微分方程式ソルバアルゴリズムにインスパイアされ、このアプローチによりより一般化された解が得られることが期待できる。
トレーニング段階では,ハードサンプリングや軌道損失関数の利用,信頼領域アプローチの実装といった,より小さなデータセットを用いた学習プロセスを劇的に加速する複数の新しい手法を提案する。
非線形挙動を学習するためのネットワークの強度を調べるために, 数値実験を行った。
その結果,ネットワークは動的システムの異なる非線形挙動を高い精度で捉えることができ,事前情報や膨大なデータセットは不要であることがわかった。
関連論文リスト
- Nonlinear Schrödinger Network [0.8249694498830558]
ディープニューラルネットワーク(DNN)は、大規模データセットから複雑な非線形マッピングを学習することで、様々な分野において例外的なパフォーマンスを実現している。
これらの問題に対処するため、物理学とAIを統合するハイブリッドアプローチが注目されている。
本稿では,非線形シュリンガーネットワーク(Nonlinear Schr"odinger Network)と呼ばれる物理に基づく新しいAIモデルを紹介する。
論文 参考訳（メタデータ） (2024-07-19T17:58:00Z) - 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) - Stretched and measured neural predictions of complex network dynamics [2.1024950052120417]
微分方程式のデータ駆動近似は、力学系のモデルを明らかにする従来の方法に代わる有望な方法である。
最近、ダイナミックスを研究する機械学習ツールとしてニューラルネットワークが採用されている。これは、データ駆動型ソリューションの検出や微分方程式の発見に使用できる。
従来の統計学習理論の限界を超えてモデルの一般化可能性を拡張することは可能であることを示す。
論文 参考訳（メタデータ） (2023-01-12T09:44:59Z) - 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) - Physics guided neural networks for modelling of non-linear dynamics [0.0]
この研究は、ディープニューラルネットワークの中間層に部分的に既知の情報を注入することで、モデルの精度を向上し、モデルの不確実性を低減し、トレーニング中に収束性を向上させることを実証する。
これらの物理誘導ニューラルネットワークの価値は、非線形系理論においてよく知られた5つの方程式で表される様々な非線形力学系の力学を学習することによって証明されている。
論文 参考訳（メタデータ） (2022-05-13T19:06:36Z) - Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。
ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。
ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文 参考訳（メタデータ） (2022-04-09T22:07:34Z) - Non-linear manifold ROM with Convolutional Autoencoders and Reduced
Over-Collocation method [0.0]
非アフィンパラメトリックな依存、非線形性、興味のモデルにおける対流支配的な規則は、ゆっくりとしたコルモゴロフ n-幅の崩壊をもたらす。
我々は,Carlbergらによって導入された非線形多様体法を,オーバーコロケーションの削減とデコーダの教師/学生による学習により実現した。
本研究では,2次元非線形保存法と2次元浅水モデルを用いて方法論を検証し,時間とともに動的に進化する純粋データ駆動型手法と長期記憶ネットワークとの比較を行った。
論文 参考訳（メタデータ） (2022-03-01T11:16:50Z) - 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) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Neural Dynamic Mode Decomposition for End-to-End Modeling of Nonlinear
Dynamics [49.41640137945938]
ニューラルネットワークに基づくリフト関数を推定するためのニューラルダイナミックモード分解法を提案する。
提案手法により,予測誤差はニューラルネットワークとスペクトル分解によって逆伝搬される。
提案手法の有効性を,固有値推定と予測性能の観点から実証した。
論文 参考訳（メタデータ） (2020-12-11T08:34:26Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。