論文の概要: Using scientific machine learning for experimental bifurcation analysis
of dynamic systems
- arxiv url: http://arxiv.org/abs/2110.11854v1
- Date: Fri, 22 Oct 2021 15:43:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-25 15:59:49.278582
- Title: Using scientific machine learning for experimental bifurcation analysis
of dynamic systems
- Title（参考訳）: 科学機械学習を用いた動的システムの実験的分岐解析
- Authors: Sandor Beregi and David A. W. Barton and Djamel Rezgui and Simon A.
Neild
- Abstract要約: 本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。
数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。
ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
- 参考スコア（独自算出の注目度）: 2.204918347869259
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Augmenting mechanistic ordinary differential equation (ODE) models with
machine-learnable structures is an novel approach to create highly accurate,
low-dimensional models of engineering systems incorporating both expert
knowledge and reality through measurement data. Our exploratory study focuses
on training universal differential equation (UDE) models for physical nonlinear
dynamical systems with limit cycles: an aerofoil undergoing flutter
oscillations and an electrodynamic nonlinear oscillator. We consider examples
where training data is generated by numerical simulations, whereas we also
employ the proposed modelling concept to physical experiments allowing us to
investigate problems with a wide range of complexity. To collect the training
data, the method of control-based continuation is used as it captures not just
the stable but also the unstable limit cycles of the observed system. This
feature makes it possible to extract more information about the observed system
than the standard, open-loop approach would allow. We use both neural networks
and Gaussian processes as universal approximators alongside the mechanistic
models to give a critical assessment of the accuracy and robustness of the UDE
modelling approach. We also highlight the potential issues one may run into
during the training procedure indicating the limits of the current modelling
framework.
- Abstract（参考訳）: 機械学習可能な構造を持つ機械的常微分方程式(ODE)モデルの拡大は、測定データを通じて専門家の知識と現実の両方を取り入れた高精度で低次元の工学系モデルを作成するための新しいアプローチである。
本研究は, フラッター振動を受けるエアロフォイルと電磁力学非線形発振器を用いた物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。
数値シミュレーションによりトレーニングデータが生成される例を考察するとともに,提案したモデリング概念を物理実験に適用することにより,幅広い複雑さの問題を調査する。
トレーニングデータを収集するために、制御ベースの継続法は、安定しただけでなく、観測されたシステムの不安定な極限サイクルを捉えるために用いられる。
この機能により、標準のオープンループアプローチよりも観測されたシステムに関する情報を抽出することができる。
ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
また、現在のモデリングフレームワークの限界を示すトレーニング手順中に発生する可能性のある潜在的な問題を強調します。
関連論文リスト
- ICODE: Modeling Dynamical Systems with Extrinsic Input Information [14.521146920900316]
モデルの学習過程に,正確なリアルタイム入力情報を組み込んだ入力共役ニューラルネットワーク(ICODE)を導入する。
いくつかの代表的実動力学の実験を通して本手法を検証する。
この研究は、明示的な外部入力情報で物理的システムを理解するための貴重なニューラルネットワークODEモデルのクラスを提供する。
論文 参考訳（メタデータ） (2024-11-21T07:57:59Z) - eXponential FAmily Dynamical Systems (XFADS): Large-scale nonlinear Gaussian state-space modeling [9.52474299688276]
非線形状態空間グラフィカルモデルのための低ランク構造化変分オートエンコーダフレームワークを提案する。
我々のアプローチは、より予測的な生成モデルを学ぶ能力を一貫して示している。
論文 参考訳（メタデータ） (2024-03-03T02:19:49Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Learning Latent Dynamics via Invariant Decomposition and
(Spatio-)Temporal Transformers [0.6767885381740952]
本研究では,高次元経験データから力学系を学習する手法を提案する。
我々は、システムの複数の異なるインスタンスからデータが利用できる設定に焦点を当てる。
我々は、単純な理論的分析と、合成および実世界のデータセットに関する広範な実験を通して行動を研究する。
論文 参考訳（メタデータ） (2023-06-21T07:52:07Z) - Analysis of Numerical Integration in RNN-Based Residuals for Fault
Diagnosis of Dynamic Systems [0.6999740786886536]
本論文は,重度トラックの後処理システムの事例スタディを含み,これらの技術が故障診断性能を向上させる可能性を明らかにする。
データ駆動モデリングと機械学習は、動的システムの振る舞いをモデル化するために広く使われている。
論文 参考訳（メタデータ） (2023-05-08T12:48:18Z) - 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) - Dynamic Bayesian Learning and Calibration of Spatiotemporal Mechanistic
System [0.0]
ノイズ観測に基づくメカニカルモデルの完全学習と校正のためのアプローチを開発する。
通常の偏微分方程式と偏微分方程式の分析から生じる問題を解くことで、この柔軟性を実証する。
論文 参考訳（メタデータ） (2022-08-12T23:17:46Z) - 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) - Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。
本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文 参考訳（メタデータ） (2022-02-17T07:56:46Z) - 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)
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。