論文の概要: On generative models as the basis for digital twins
- arxiv url: http://arxiv.org/abs/2203.04384v1
- Date: Tue, 8 Mar 2022 20:34:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-10 14:49:28.629526
- Title: On generative models as the basis for digital twins
- Title（参考訳）: ディジタル双生児の基礎となる生成モデルについて
- Authors: G. Tsialiamanis, D.J. Wagg, N. Dervilis, K. Worden
- Abstract要約: デジタルツインや構造鏡の基礎として、生成モデルのためのフレームワークが提案されている。
この提案は、決定論的モデルは、ほとんどの構造モデリングアプリケーションに存在する不確実性を説明できないという前提に基づいている。
- 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: A framework is proposed for generative models as a basis for digital twins or
mirrors of structures. The proposal is based on the premise that deterministic
models cannot account for the uncertainty present in most structural modelling
applications. Two different types of generative models are considered here. The
first is a physics-based model based on the stochastic finite element (SFE)
method, which is widely used when modelling structures that have material and
loading uncertainties imposed. Such models can be calibrated according to data
from the structure and would be expected to outperform any other model if the
modelling accurately captures the true underlying physics of the structure. The
potential use of SFE models as digital mirrors is illustrated via application
to a linear structure with stochastic material properties. For situations where
the physical formulation of such models does not suffice, a data-driven
framework is proposed, using machine learning and conditional generative
adversarial networks (cGANs). The latter algorithm is used to learn the
distribution of the quantity of interest in a structure with material
nonlinearities and uncertainties. For the examples considered in this work, the
data-driven cGANs model outperform the physics-based approach. Finally, an
example is shown where the two methods are coupled such that a hybrid model
approach is demonstrated.
- Abstract（参考訳）: デジタルツインや構造鏡の基礎として、生成モデルのためのフレームワークが提案されている。
この提案は、決定論的モデルがほとんどの構造的モデリングアプリケーションに存在する不確かさを考慮できないという前提に基づいている。
ここでは2種類の生成モデルが検討されている。
第一は、確率有限要素法(sfe)に基づく物理モデルであり、材料と荷重の不確実性を持つ構造をモデル化する際に広く用いられる。
このようなモデルは構造からのデータに基づいて校正することができ、モデルが構造の基礎となる真の物理を正確に捉えた場合、他のモデルよりも優れていると期待される。
デジタルミラーとしてのsfeモデルの潜在的利用は、確率的材料特性を持つ線形構造への応用によって示される。
このようなモデルの物理的定式化が不十分な状況については、機械学習と条件付き生成逆ネットワーク(cgans)を用いてデータ駆動フレームワークを提案する。
後者のアルゴリズムは、材料非線形性と不確実性を持つ構造に対する関心量の分布を学習するために用いられる。
この研究で考慮された例では、データ駆動型cGANsモデルは物理学に基づくアプローチよりも優れている。
最後に、ハイブリッドモデルアプローチが示されるように、2つのメソッドが結合された例を示す。
関連論文リスト
- Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。
LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。
LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
論文 参考訳（メタデータ） (2024-03-11T05:35:38Z) - Evaluating the diversity and utility of materials proposed by generative
models [38.85523285991743]
本稿では, 逆設計プロセスの一部として, 物理誘導結晶生成モデルという, 最先端の生成モデルを用いる方法を示す。
本研究は, 逆設計を改善するために, 生成モデルをどのように改善するかを示唆する。
論文 参考訳（メタデータ） (2023-08-09T14:42:08Z) - The Bayesian Context Trees State Space Model for time series modelling
and forecasting [8.37609145576126]
実数値時系列に対してリッチな混合モデルを開発するための階層的ベイズフレームワークが導入された。
最上位では、有意義な離散状態が、最新のサンプルの適切な定量値として特定される。
下位レベルでは、実数値時系列(ベースモデル)の異なる任意のモデルが各状態と関連付けられている。
論文 参考訳（メタデータ） (2023-08-02T02:40:42Z) - Representer Point Selection for Explaining Regularized High-dimensional
Models [105.75758452952357]
本稿では,高次元表現器と呼ぶサンプルベース説明のクラスを紹介する。
私たちのワークホースは、一般化された高次元モデルに対する新しい代表者定理である。
提案手法の実証的性能について,実世界の2進分類データセットと2つの推薦システムデータセットを用いて検討した。
論文 参考訳（メタデータ） (2023-05-31T16:23:58Z) - FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。
本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
論文 参考訳（メタデータ） (2023-04-28T21:48:31Z) - Surrogate Modeling for Physical Systems with Preserved Properties and
Adjustable Tradeoffs [0.0]
代理モデルを生成するためのモデルベースおよびデータ駆動型戦略を提案する。
後者は、前提となる位相構造に人工的関係を組み込むことで解釈可能な代理モデルを生成する。
我々のフレームワークは、分散パラメータモデルのための様々な空間離散化スキームと互換性がある。
論文 参考訳（メタデータ） (2022-02-02T17:07:02Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳（メタデータ） (2021-07-07T11:17:09Z) - Polyconvex anisotropic hyperelasticity with neural networks [1.7616042687330642]
有限変形に対する凸機械学習に基づくモデルを提案する。
モデルは立方体格子メタマテリアルの非常に困難なシミュレーションデータで校正される。
データアプローチのデータは、機械的な考慮に基づいており、追加の実験やシミュレーション機能を必要としない。
論文 参考訳（メタデータ） (2021-06-20T15:33:31Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳（メタデータ） (2020-10-25T18:51:15Z) - Predicting Multidimensional Data via Tensor Learning [0.0]
本研究では,本データセットの内在的多次元構造を保持するモデルを開発する。
モデルパラメータを推定するために、オルタネート・リースト・スクエアスアルゴリズムを開発した。
提案モデルは,予測文献に存在するベンチマークモデルより優れている。
論文 参考訳（メタデータ） (2020-02-11T11:57:07Z)
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。