論文の概要: Data-driven Aerodynamic Analysis of Structures using Gaussian Processes
- arxiv url: http://arxiv.org/abs/2103.13877v1
- Date: Sat, 20 Mar 2021 11:22:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 01:07:32.428586
- Title: Data-driven Aerodynamic Analysis of Structures using Gaussian Processes
- Title（参考訳）: データ駆動型ガウス過程による構造物の空力解析
- Authors: Igor Kavrakov, Allan McRobie and Guido Morgenthal
- Abstract要約: 本稿では,橋梁に作用する非線形自励力のデータ駆動モデルを提案する。
このフレームワークは、CFD(Computational Fluid Dynamics)データに基づいて、合理化およびブラフブリッジデッキに適用される。
提案フレームワークのさらなる応用は,細線状構造物の設計とオンラインリアルタイム監視に期待できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: An abundant amount of data gathered during wind tunnel testing and health
monitoring of structures inspires the use of machine learning methods to
replicate the wind forces. These forces are critical for both the design and
life-cycle assessment of lifeline structures such as bridges. This paper
presents a data-driven Gaussian Process-Nonlinear Finite Impulse Response
(GP-NFIR) model of the nonlinear self-excited forces acting on bridges.
Constructed in a nondimensional form, the model takes the effective wind angle
of attack as lagged exogenous input and outputs a probability distribution of
the aerodynamic forces. The nonlinear latent function, mapping the input to the
output, is modeled by a GP regression. Consequently, the model is
nonparametric, and as such, it avoids setting up the latent function's
structure a priori. The training input is designed as band-limited random
harmonic motion that consists of vertical and rotational displacements. Once
trained, the model can predict the aerodynamic forces for both prescribed input
motion and coupled aeroelastic analysis. The presented concept is first
verified for a flat plate's analytical, linear solution by predicting the
self-excited forces and flutter velocity. Finally, the framework is applied to
a streamlined and bluff bridge deck based on Computational Fluid Dynamics (CFD)
data. Here, the model's ability to predict nonlinear aerodynamic forces,
critical flutter limit, and post-flutter behavior are highlighted. Further
applications of the presented framework are foreseen in the design and online
real-time monitoring of slender line-like structures.
- Abstract（参考訳）: 風洞試験と構造物の健康モニタリングの間に収集された大量のデータは、風力の再現のための機械学習手法の使用を促す。
これらの力は橋などのライフライン構造の設計とライフサイクル評価の両方に重要である。
本稿では,橋梁に作用する非線形自己励振力の,データ駆動型ガウス過程非線形有限インパルス応答(gp-nfir)モデルを提案する。
非次元形状で構築されたモデルは、ラッジされた外因性入力として攻撃の効果的な風角を取り、空力の確率分布を出力する。
入力を出力にマッピングする非線形潜在関数はGP回帰によってモデル化される。
したがって、モデルは非パラメトリックであり、従って潜在関数の構造を事前設定することを避けることができる。
トレーニング入力は、垂直変位と回転変位からなる帯域制限ランダム調和運動として設計されている。
トレーニングが完了すると、所定の入力運動と結合された空気弾性解析の両方の空気力学力を予測できる。
提示された概念は, 自励力とフラッター速度を予測して, 平板解析線形解に対して初めて検証された。
最後に、このフレームワークをCFD(Computational Fluid Dynamics)データに基づいて、合理化およびブラフブリッジデッキに適用する。
ここでは, モデルによる非線形空力力予測能力, 臨界フラッター限界, フラッター後挙動を強調する。
提案フレームワークのさらなる応用は,細線状構造物の設計とオンラインリアルタイム監視に期待できる。
関連論文リスト
- Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - A physics-informed machine learning model for reconstruction of dynamic
loads [0.0]
本稿では, 物理インフォームド・マシン・ラーニング・フレームワークを用いて, 測定された偏向, 速度, 加速度に基づいて動的力の再構成を行う。
このフレームワークは不完全で汚染されたデータを扱うことができ、ノイズ測定システムを考慮した自然な正規化手法を提供する。
開発されたフレームワークには、設計モデルと仮定、損傷検出と健康モニタリングを支援するための応答の予後が含まれる。
論文 参考訳（メタデータ） (2023-08-15T18:33:58Z) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳（メタデータ） (2023-06-14T11:41:42Z) - Machine learning enhanced real-time aerodynamic forces prediction based
on sparse pressure sensor inputs [7.112725255953468]
本稿では,少数の圧力センサを用いたデータ駆動型空気力予測モデルを提案する。
本モデルでは,2次元NACA0015翼の動的ストールデータと3次元ドローンの動的ストールデータの数値シミュレーションデータを用いて実験を行った。
論文 参考訳（メタデータ） (2023-05-16T06:15:13Z) - 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) - Modelling of physical systems with a Hopf bifurcation using mechanistic
models and machine learning [0.0]
物理系の極限周期振動をホップ分岐で予測するために,機械的モデルと機械的モデルを組み合わせた新しいハイブリッド・モデリング手法を提案する。
このモデルから実験観測へのデータ駆動マッピングは、機械学習技術を用いて実験データに基づいて同定される。
この手法は汎用的でデータ効率が良く、分岐構造以外のシステムについて事前の知識がなければ精度が良いことが示されている。
論文 参考訳（メタデータ） (2022-09-07T12:27:11Z) - 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) - Airfoil's Aerodynamic Coefficients Prediction using Artificial Neural
Network [0.0]
右翼を見つけることは、あらゆる航空機の設計の予備段階における重要なステップである。
本研究では、異なるネットワークアーキテクチャとトレーニングデータセットを比較し、ネットワークが与えられた翼のジオメトリをどのように知覚するかについての洞察を得る。
論文 参考訳（メタデータ） (2021-09-24T19:07:19Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z)
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。