Fugu-MT 論文翻訳(概要): Deep learning for solution and inversion of structural mechanics and vibrations

論文の概要: Deep learning for solution and inversion of structural mechanics and vibrations

arxiv url: http://arxiv.org/abs/2105.09477v1
Date: Tue, 18 May 2021 21:26:06 GMT
ステータス: 処理完了
システム内更新日: 2021-05-22 01:52:22.184269
Title: Deep learning for solution and inversion of structural mechanics and vibrations
Title（参考訳）: 構造力学と振動の解法と反転のための深層学習
Authors: Ehsan Haghighat, Ali Can Bekar, Erdogan Madenci, Ruben Juanes
Abstract要約: 本稿では,構造力学と振動問題に対するディープラーニングと物理インフォームドニューラルネットワークの適用について述べる。演示問題は、データのデノイズ化、時間依存の常微分方程式と偏微分方程式の解、与えられたデータに対するシステムの応答を特徴づけることである。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep learning has been the most popular machine learning method in the last few years. In this chapter, we present the application of deep learning and physics-informed neural networks concerning structural mechanics and vibration problems. Demonstration problems involve de-noising data, solution to time-dependent ordinary and partial differential equations, and characterizing the system's response for a given data.
Abstract（参考訳）: ディープラーニングはここ数年でもっとも人気のある機械学習手法だ。本章では,構造力学および振動問題に対する深層学習と物理インフォームドニューラルネットワークの適用について述べる。演示問題は、データのデノイズ化、時間依存の常微分方程式と偏微分方程式の解、与えられたデータに対するシステムの応答を特徴づけることである。

関連論文リスト

A Unified Framework for Neural Computation and Learning Over Time [56.44910327178975]
Hamiltonian Learningはニューラルネットワークを"時間とともに"学習するための新しい統合フレームワーク i)外部ソフトウェアソルバを必要とせずに統合できる、(ii)フィードフォワードおよびリカレントネットワークにおける勾配に基づく学習の概念を一般化する、(iii)新しい視点で開放する、という微分方程式に基づいている。
論文参考訳（メタデータ） (2024-09-18T14:57:13Z)
Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文参考訳（メタデータ） (2024-02-20T15:23:24Z)
Implicit neural representation with physics-informed neural networks for the reconstruction of the early part of room impulse responses [16.89505645696765]
物理インフォームドニューラルネットワークを用いて、欠室インパルス応答の初期部分を線形配列で再構成する。提案モデルは,最先端の深層学習および圧縮センシング技術に関して,高精度な再構築と性能を実現する。
論文参考訳（メタデータ） (2023-06-20T13:01:00Z)
Neural Operator: Is data all you need to model the world? An insight into the impact of Physics Informed Machine Learning [13.050410285352605]
我々は、データ駆動アプローチが、工学や物理学の問題を解決する従来の手法を補完する方法についての洞察を提供する。我々は,PDE演算子学習の解演算子を学習するための,新しい,高速な機械学習に基づくアプローチを強調した。
論文参考訳（メタデータ） (2023-01-30T23:29:33Z)
Reinforcement Learning in System Identification [0.0]
システム識別は、学習前方モデル、伝達関数、システムダイナミクスなどとも呼ばれるが、科学と工学の両方において長い伝統がある。ここでは、この問題における強化学習の利用について考察する。本稿では,この問題が強化学習問題として自然と音にどのように適合するかを詳述し,RLがこのような問題を解決する上で有望な手法であることを実証する実験結果を示す。
論文参考訳（メタデータ） (2022-12-14T09:20:42Z)
Machine-learning-assisted construction of appropriate rotating frame [0.0]
本稿では,機械学習を用いた解析手法を提案する。我々は、リカレントニューラルネットワークがFloquet-Magnus拡張を導出できることを実証する。また,本手法は,他のシステムにおける理論的枠組みの発見にも適用可能であると論じる。
論文参考訳（メタデータ） (2022-11-28T12:49:47Z)
Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文参考訳（メタデータ） (2021-11-02T10:51:42Z)
Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文参考訳（メタデータ） (2021-09-06T04:39:06Z)
A neural anisotropic view of underspecification in deep learning [60.119023683371736]
ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
論文参考訳（メタデータ） (2021-04-29T14:31:09Z)
Conditional physics informed neural networks [85.48030573849712]
固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
論文参考訳（メタデータ） (2021-04-06T18:29:14Z)
Structure preserving deep learning [1.2263454117570958]
深層学習は、大きな関心事のトピックとして、前景に浮かび上がっています。ディープラーニングの適用には、いくつかの挑戦的な数学的問題がある。既存のディープラーニング手法の構造を数学的に理解する努力が増えている。
論文参考訳（メタデータ） (2020-06-05T10:59:09Z)

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。