論文の概要: Machine learning based digital twin for stochastic nonlinear
multi-degree of freedom dynamical system
- arxiv url: http://arxiv.org/abs/2103.15636v1
- Date: Mon, 29 Mar 2021 14:14:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 15:23:18.514230
- Title: Machine learning based digital twin for stochastic nonlinear
multi-degree of freedom dynamical system
- Title（参考訳）: 確率非線形多自由度力学系のための機械学習に基づくディジタルツイン
- Authors: Shailesh Garg and Ankush Gogoi and Souvik Chakraborty and Budhaditya
Hazra
- Abstract要約: 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。
- 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: The potential of digital twin technology is immense, specifically in the
infrastructure, aerospace, and automotive sector. However, practical
implementation of this technology is not at an expected speed, specifically
because of lack of application-specific details. In this paper, we propose a
novel digital twin framework for stochastic nonlinear multi-degree of freedom
(MDOF) dynamical systems. The approach proposed in this paper strategically
decouples the problem into two time-scales -- (a) a fast time-scale governing
the system dynamics and (b) a slow time-scale governing the degradation in the
system. The proposed digital twin has four components - (a) a physics-based
nominal model (low-fidelity), (b) a Bayesian filtering algorithm a (c) a
supervised machine learning algorithm and (d) a high-fidelity model for
predicting future responses. The physics-based nominal model combined with
Bayesian filtering is used combined parameter state estimation and the
supervised machine learning algorithm is used for learning the temporal
evolution of the parameters. While the proposed framework can be used with any
choice of Bayesian filtering and machine learning algorithm, we propose to use
unscented Kalman filter and Gaussian process. Performance of the proposed
approach is illustrated using two examples. Results obtained indicate the
applicability and excellent performance of the proposed digital twin framework.
- Abstract（参考訳）: デジタルツイン技術のポテンシャルは、特にインフラ、航空宇宙、自動車分野において、非常に大きい。
しかし、アプリケーション固有の詳細が欠如していることから、この技術の実践的な実装は期待できる速度には達していない。
本稿では,確率非線形多自由度(MDOF)動的システムのための新しいディジタルツインフレームワークを提案する。
本論文で提案されるアプローチは, 問題を戦略的に2つの時間スケールに分解する - (a) システムダイナミクスの高速な時間スケール, (b) システムの劣化の遅い時間スケール - に分解する。
提案するディジタルツインは,物理学に基づく名目モデル(低忠実度),ベイズフィルタアルゴリズムa(c)教師付き機械学習アルゴリズムa(d)将来の応答を予測するための高忠実度モデルである。
物理モデルとベイズフィルタを組み合わせた名目モデルを用いてパラメータ状態推定を行い、教師付き機械学習アルゴリズムを用いてパラメータの時間変化を学習する。
提案する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できるが,提案手法ではkalmanフィルタとgaussianプロセスを用いる。
提案手法の性能を2つの例を用いて示す。
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。
関連論文リスト
- Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。
我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。
当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文 参考訳（メタデータ） (2024-11-04T11:09:58Z) - A parametric framework for kernel-based dynamic mode decomposition using deep learning [0.0]
提案されたフレームワークは、オフラインとオンラインの2つのステージで構成されている。
オンラインステージでは、これらのLANDOモデルを活用して、所望のタイミングで新しいデータを生成する。
高次元力学系に次元還元法を適用して, トレーニングの計算コストを低減させる。
論文 参考訳（メタデータ） (2024-09-25T11:13:50Z) - 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) - Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。
本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
論文 参考訳（メタデータ） (2022-09-01T10:46:09Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - 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) - Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for
5G and Beyond [70.81551587109833]
非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。
主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。
本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
論文 参考訳（メタデータ） (2022-01-13T15:20:45Z) - Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。
最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。
提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
論文 参考訳（メタデータ） (2021-11-26T18:44:59Z) - Hierarchical Deep Learning of Multiscale Differential Equation
Time-Steppers [5.6385744392820465]
本研究では,時間スケールの異なる範囲にわたる動的システムのフローマップを近似するために,ディープニューラルネットワークの時間ステップ階層を構築した。
結果のモデルは純粋にデータ駆動であり、マルチスケールのダイナミックスの特徴を活用する。
我々は,LSTM,貯水池計算,クロックワークRNNなどの最先端手法に対して,我々のアルゴリズムをベンチマークする。
論文 参考訳（メタデータ） (2020-08-22T07:16:53Z) - 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) - Model-Based Reinforcement Learning for Physical Systems Without Velocity
and Acceleration Measurements [19.060544153434428]
ガウス過程回帰(GPR)に基づく強化学習(RL)アルゴリズムのための微分自由モデル学習フレームワークを提案する。
多くのメカニカルシステムでは、計測器によって位置のみを測定することができる。
2つの実プラットフォームで実施されたテストでは,提案モデルと組み合わせた状態定義により,推定性能が向上することが示された。
論文 参考訳（メタデータ） (2020-02-25T01:58:34Z)
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。