論文の概要: Deep Learning for Stability Analysis of a Freely Vibrating Sphere at
Moderate Reynolds Number
- arxiv url: http://arxiv.org/abs/2112.09858v1
- Date: Sat, 18 Dec 2021 06:41:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-22 13:03:40.671013
- Title: Deep Learning for Stability Analysis of a Freely Vibrating Sphere at
Moderate Reynolds Number
- Title（参考訳）: モードレイノルズ数における自由振動球の安定性解析のための深層学習
- Authors: A. Chizfahm and R. Jaiman
- Abstract要約: 本稿では,非定常な3次元流体構造相互作用系の安定性予測のための深層学習に基づくリダクションオーダーモデル(DL-ROM)を提案する。
提案したDL-ROMは非線形状態空間モデルの形式を持ち、長い短期記憶を持つリカレントニューラルネットワーク(LSTM)を用いる。
LSTMネットワークを固有系実現アルゴリズム (ERA) と統合することにより、低次安定性解析のためのデータ駆動状態空間モデルを構築する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we present a deep learning-based reduced-order model (DL-ROM)
for the stability prediction of unsteady 3D fluid-structure interaction
systems. The proposed DL-ROM has the format of a nonlinear state-space model
and employs a recurrent neural network with long short-term memory (LSTM). We
consider a canonical fluid-structure system of an elastically-mounted sphere
coupled with incompressible fluid flow in a state-space format. We develop a
nonlinear data-driven coupling for predicting unsteady forces and
vortex-induced vibration (VIV) lock-in of the freely vibrating sphere in a
transverse direction. We design an input-output relationship as a temporal
sequence of force and displacement datasets for a low-dimensional approximation
of the fluid-structure system. Based on the prior knowledge of the VIV lock-in
process, the input function contains a range of frequencies and amplitudes,
which enables an efficient DL-ROM without the need for a massive training
dataset for the low-dimensional modeling. Once trained, the network provides a
nonlinear mapping of input-output dynamics that can predict the coupled
fluid-structure dynamics for a longer horizon via the feedback process. By
integrating the LSTM network with the eigensystem realization algorithm (ERA),
we construct a data-driven state-space model for the reduced-order stability
analysis. We investigate the underlying mechanism and stability characteristics
of VIV via an eigenvalue selection process. To understand the frequency lock-in
mechanism, we study the eigenvalue trajectories for a range of the reduced
oscillation frequencies and the mass ratios. Consistent with the full-order
simulations, the frequency lock-in branches are accurately captured by the
combined LSTM-ERA procedure. The proposed DL-ROM aligns with the development of
physics-based digital twin of engineering systems involving fluid-structure
interactions.
- Abstract（参考訳）: 本稿では,非定常な3次元流体構造相互作用系の安定性予測のための深層学習に基づくリダクションオーダーモデル(DL-ROM)を提案する。
提案するDL-ROMは非線形状態空間モデルの形式を持ち,長期記憶付きリカレントニューラルネットワーク(LSTM)を採用している。
非圧縮性流体流と結合した弾性体球面の標準流体構造系を状態空間形式で検討する。
自由振動球の非定常力および渦誘起振動(viv)ロックインを横方向に予測するための非線形データ駆動結合法を開発した。
流体構造系の低次元近似のための力・変位データセットの時間列として入力出力関係を設計する。
VIVロックインプロセスの事前知識に基づき、入力関数は周波数と振幅の範囲を含み、低次元モデリングのための大規模なトレーニングデータセットを必要としない効率的なDL-ROMを可能にする。
一度訓練すると、ネットワークは入力出力ダイナミクスの非線形マッピングを提供し、フィードバックプロセスを通じてより長い地平線の流体構造ダイナミクスを予測できる。
LSTMネットワークを固有系実現アルゴリズム (ERA) と統合することにより、低次安定性解析のためのデータ駆動状態空間モデルを構築する。
固有値選択法によるVIVの基礎機構と安定性特性について検討する。
周波数ロックイン機構を理解するため,振動周波数と質量比の低減範囲の固有値軌跡について検討した。
フルオーダーシミュレーションとは対照的に、周波数ロックイン分岐はLSTM-ERA法により正確に捕捉される。
提案したDL-ROMは、流体構造相互作用を含む工学系の物理ベースのデジタル双対の開発と一致している。
関連論文リスト
- 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) - Machine learning in and out of equilibrium [58.88325379746631]
我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。
我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。
本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
論文 参考訳（メタデータ） (2023-06-06T09:12:49Z) - 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) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳（メタデータ） (2022-06-29T22:19:03Z) - Reconstructing a dynamical system and forecasting time series by
self-consistent deep learning [4.947248396489835]
ノイズの多い決定論的時系列に自己一貫性のあるディープラーニングフレームワークを導入する。
教師なしフィルタリング、状態空間再構成、基礎となる微分方程式の同定、予測を提供する。
論文 参考訳（メタデータ） (2021-08-04T06:10:58Z) - KalmanNet: Neural Network Aided Kalman Filtering for Partially Known
Dynamics [84.18625250574853]
KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。
我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
論文 参考訳（メタデータ） (2021-07-21T12:26:46Z) - Real-time simulation of parameter-dependent fluid flows through deep
learning-based reduced order models [0.2538209532048866]
還元次数モデル (ROM) はパラメータ依存の流体力学問題を高速に近似する。
ディープラーニング(DL)ベースのROMは、非線形トライアル多様体と還元力学の両方を非侵襲的に学習することで、これらの制限をすべて克服する。
得られたPOD-DL-ROMは、シリンダーベンチマークの周囲の流れ、固定された剛性ブロックに付着した弾性ビームとラミナー非圧縮性フローとの流体構造相互作用、大脳動脈瘤内の血流のほぼリアルタイムに正確な結果をもたらすことが示されている。
論文 参考訳（メタデータ） (2021-06-10T13:07:33Z) - Echo State Network for two-dimensional turbulent moist Rayleigh-B\'enard
convection [0.0]
モイストrayleigh-b'enard対流の進化を近似するためにエコー状態ネットワークを適用する。
我々のモデルは複雑なダイナミクスを学習することができると結論づける。
論文 参考訳（メタデータ） (2021-01-27T11:27:16Z) - Deep Neural Networks for Nonlinear Model Order Reduction of Unsteady
Flows [1.8065361710947976]
近年, 流体の低次モデリング (ROM) が盛んに研究されている。
本研究では,非定常流体の次数モデリングのためのディープニューラルネットワークのパワーに基づく新しいデータ駆動手法を提案する。
論文 参考訳（メタデータ） (2020-07-02T07:24:03Z) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳（メタデータ） (2020-06-19T22:05:19Z) - 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。