論文の概要: Modelling of physical systems with a Hopf bifurcation using mechanistic
models and machine learning
- arxiv url: http://arxiv.org/abs/2209.06910v1
- Date: Wed, 7 Sep 2022 12:27:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 17:41:01.909041
- Title: Modelling of physical systems with a Hopf bifurcation using mechanistic
models and machine learning
- Title(参考訳): 機械モデルと機械学習を用いたホップ分岐を用いた物理系のモデリング
- Authors: K.H. Lee and D.A.W. Barton and L.Renson
- Abstract要約: 物理系の極限周期振動をホップ分岐で予測するために,機械的モデルと機械的モデルを組み合わせた新しいハイブリッド・モデリング手法を提案する。
このモデルから実験観測へのデータ駆動マッピングは、機械学習技術を用いて実験データに基づいて同定される。
この手法は汎用的でデータ効率が良く、分岐構造以外のシステムについて事前の知識がなければ精度が良いことが示されている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a new hybrid modelling approach that combines a mechanistic model
with a machine-learnt model to predict the limit cycle oscillations of physical
systems with a Hopf bifurcation. The mechanistic model is an ordinary
differential equation normal-form model capturing the bifurcation structure of
the system. A data-driven mapping from this model to the experimental
observations is then identified based on experimental data using machine
learning techniques. The proposed method is first demonstrated numerically on a
Van der Pol oscillator and a three-degree-of-freedom aeroelastic model. It is
then applied to model the behaviour of a physical aeroelastic structure
exhibiting limit cycle oscillations during wind tunnel tests. The method is
shown to be general, data-efficient and to offer good accuracy without any
prior knowledge about the system other than its bifurcation structure.
- Abstract(参考訳): 本稿では,物理系のリミットサイクル振動とホップ分岐を予測するために,機械モデルと機械学習モデルを組み合わせた新しいハイブリッドモデリング手法を提案する。
機械力学モデルは、システムの分岐構造を捉える通常の微分方程式正規形モデルである。
このモデルから実験観測へのデータ駆動マッピングは、機械学習技術を用いて実験データに基づいて同定される。
提案手法はファンデルpol発振器と3自由度エアロ弾性モデルを用いて数値実験を行った。
次に、風洞実験中に限界周期振動を示す物理的空力弾性構造の挙動をモデル化する。
本手法は, システムに関する事前知識を必要とせず, 汎用的かつデータ効率が良く, 精度も良好であることを示す。
関連論文リスト
- Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文 参考訳(メタデータ) (2024-09-05T18:14:22Z) - Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳(メタデータ) (2024-01-19T21:50:32Z) - 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) - 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) - Differentiable physics-enabled closure modeling for Burgers' turbulence [0.0]
本稿では、既知の物理と機械学習を組み合わせて乱流問題に対するクロージャモデルを開発する微分可能な物理パラダイムを用いたアプローチについて論じる。
我々は、モデルの有効性をテストするために、後方損失関数上の様々な物理仮定を組み込んだ一連のモデルを訓練する。
既知物理あるいは既存の閉包アプローチを含む偏微分方程式の形で帰納バイアスを持つ制約モデルが、非常にデータ効率が高く、正確で、一般化可能なモデルを生成することを発見した。
論文 参考訳(メタデータ) (2022-09-23T14:38:01Z) - Using scientific machine learning for experimental bifurcation analysis
of dynamic systems [2.204918347869259]
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。
論文 参考訳(メタデータ) (2021-10-22T15:43:03Z) - Identification of high order closure terms from fully kinetic
simulations using machine learning [0.0]
2つの異なる機械学習モデルが、運動シミュレーションから抽出された高次モーメントをいかに合成できるかを示す。
モデルの精度と一般化能力を評価し,ベースラインモデルと比較した。
どちらのモデルも熱流束と圧力テンソルを非常によく捉えることができ、勾配昇降レグレッタは2モデルの中で最も安定である。
論文 参考訳(メタデータ) (2021-10-19T12:27:02Z) - 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) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳(メタデータ) (2020-10-27T17:54:12Z) - Modeling System Dynamics with Physics-Informed Neural Networks Based on
Lagrangian Mechanics [3.214927790437842]
第一原則の手法は高いバイアスに悩まされるが、データ駆動モデリングは高いばらつきを持つ傾向がある。
本稿では,2つのモデリング手法を組み合わせて上記の問題を解くハイブリッドモデルであるPINODEについて述べる。
本研究の目的は,機械系のモデルベース制御とシステム同定である。
論文 参考訳(メタデータ) (2020-05-29T15:10:43Z)
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。