論文の概要: Koopman operator for time-dependent reliability analysis
- arxiv url: http://arxiv.org/abs/2203.02658v1
- Date: Sat, 5 Mar 2022 04:57:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-08 15:14:31.017881
- Title: Koopman operator for time-dependent reliability analysis
- Title(参考訳): 時間依存信頼度解析のためのクープマン演算子
- Authors: Navaneeth N. and Souvik Chakraborty
- Abstract要約: そこで我々は,Koopmanオブザーバブルを学習し,動的応答の行程に使用するエンドツーエンドのディープラーニングアーキテクチャを提案する。
純粋にデータ駆動のアプローチとは異なり、提案手法は不確実性が存在する場合でも堅牢である。
- 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: Time-dependent structural reliability analysis of nonlinear dynamical systems
is non-trivial; subsequently, scope of most of the structural reliability
analysis methods is limited to time-independent reliability analysis only. In
this work, we propose a Koopman operator based approach for time-dependent
reliability analysis of nonlinear dynamical systems. Since the Koopman
representations can transform any nonlinear dynamical system into a linear
dynamical system, the time evolution of dynamical systems can be obtained by
Koopman operators seamlessly regardless of the nonlinear or chaotic behavior.
Despite the fact that the Koopman theory has been in vogue a long time back,
identifying intrinsic coordinates is a challenging task; to address this, we
propose an end-to-end deep learning architecture that learns the Koopman
observables and then use it for time marching the dynamical response. Unlike
purely data-driven approaches, the proposed approach is robust even in the
presence of uncertainties; this renders the proposed approach suitable for
time-dependent reliability analysis. We propose two architectures; one suitable
for time-dependent reliability analysis when the system is subjected to random
initial condition and the other suitable when the underlying system have
uncertainties in system parameters. The proposed approach is robust and
generalizes to unseen environment (out-of-distribution prediction). Efficacy of
the proposed approached is illustrated using three numerical examples. Results
obtained indicate supremacy of the proposed approach as compared to purely
data-driven auto-regressive neural network and long-short term memory network.
- Abstract(参考訳): 非線形力学系の時間依存構造的信頼性解析は非自明であり、従って、構造的信頼性解析手法の大部分の範囲は時間依存的信頼性解析に限られる。
本研究では非線形力学系の時間依存信頼度解析のためのkoopman演算子に基づく手法を提案する。
クープマン表現は任意の非線形力学系を線型力学系に変換することができるので、非線形あるいはカオス的な振る舞いにかかわらず、クープマン作用素によって動的系の時間発展がシームレスに得られる。
クープマン理論は昔から唱えられてきたが、本質的な座標の同定は難しい課題であり、この問題に対処するため、クープマン観測器を学習し、動的応答の進行に時間的に利用するエンド・ツー・エンドのディープラーニングアーキテクチャを提案する。
純粋なデータ駆動アプローチとは異なり、提案されたアプローチは不確実性が存在する場合でも堅牢である。
本稿では,システムがランダム初期条件を受ける場合の時間依存信頼性解析に適したアーキテクチャと,システムパラメータに不確実性がある場合に適したアーキテクチャを提案する。
提案手法は頑健であり、未知の環境(分布外予測)に一般化する。
提案手法の有効性を3つの数値例を用いて示す。
その結果、純粋にデータ駆動型自己回帰型ニューラルネットワークと長期記憶ネットワークと比較して、提案手法の優位性が示唆された。
関連論文リスト
- MAntRA: A framework for model agnostic reliability analysis [0.0]
時間依存型信頼性解析のための新しいモデルデータ駆動型信頼性解析フレームワークを提案する。
提案手法は、解釈可能な機械学習、ベイズ統計、動的方程式の同定を組み合わせたものである。
以上の結果から,提案手法の信頼性評価への応用の可能性が示唆された。
論文 参考訳(メタデータ) (2022-12-13T00:57:09Z) - A Causality-Based Learning Approach for Discovering the Underlying
Dynamics of Complex Systems from Partial Observations with Stochastic
Parameterization [1.2882319878552302]
本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。
モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。
数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
論文 参考訳(メタデータ) (2022-08-19T00:35:03Z) - Assessment of DeepONet for reliability analysis of stochastic nonlinear
dynamical systems [4.301367153728694]
本稿では,最近提案したDeepONetが負荷を受けるシステムの時間依存信頼性解析および不確実性定量化における有効性について検討する。
従来の機械学習やディープラーニングアルゴリズムとは異なり、DeepONetはオペレータネットワークであり、関数マッピングの関数を学ぶ。
論文 参考訳(メタデータ) (2022-01-31T11:41:08Z) - 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) - Neural Dynamic Mode Decomposition for End-to-End Modeling of Nonlinear
Dynamics [49.41640137945938]
ニューラルネットワークに基づくリフト関数を推定するためのニューラルダイナミックモード分解法を提案する。
提案手法により,予測誤差はニューラルネットワークとスペクトル分解によって逆伝搬される。
提案手法の有効性を,固有値推定と予測性能の観点から実証した。
論文 参考訳(メタデータ) (2020-12-11T08:34:26Z) - Data-Driven Reachability Analysis Using Matrix Zonotopes [5.6184230760292175]
ノイズの多いデータからデータ駆動型リーチビリティ解析手法を提案する。
まず,線形時間不変系の到達可能な集合を過度に近似するアルゴリズムを提案する。
次に、リプシッツ非線形系の拡張を導入する。
論文 参考訳(メタデータ) (2020-11-17T06:48:23Z) - 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) - An Uncertainty-based Human-in-the-loop System for Industrial Tool Wear
Analysis [68.8204255655161]
人間のループシステムにおけるモンテカルロのドロップアウトに基づく不確実性対策により,システムの透明性と性能が向上することを示す。
シミュレーション研究により、不確実性に基づく「ループ内人間システム」は、様々なレベルの人間の関与に対する性能を高めることが示されている。
論文 参考訳(メタデータ) (2020-07-14T15:47:37Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳(メタデータ) (2020-06-19T21:04:47Z) - Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
クープマン理論に関連する新しい物理学に基づく手法が導入された。
本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。
このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
論文 参考訳(メタデータ) (2020-03-04T18:24:30Z)
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。