論文の概要: Probabilistic machine learning based predictive and interpretable
digital twin for dynamical systems
- arxiv url: http://arxiv.org/abs/2212.09240v1
- Date: Mon, 19 Dec 2022 04:25:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 15:17:32.303187
- Title: Probabilistic machine learning based predictive and interpretable
digital twin for dynamical systems
- Title（参考訳）: 確率的機械学習に基づく動的システムのための予測および解釈可能なデジタル双生児
- Authors: Tapas Tripura and Aarya Sheetal Desai and Sondipon Adhikari and Souvik
Chakraborty
- Abstract要約: ディジタルツインを更新するための2つのアプローチが提案されている。
どちらの場合も、更新されたデジタル双生児の表現は同一である。
提案手法は、ディジタル双対モデルにおける摂動の正確な説明を提供する。
- 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 for creating and updating digital twins for dynamical systems
from a library of physics-based functions is proposed. The sparse Bayesian
machine learning is used to update and derive an interpretable expression for
the digital twin. Two approaches for updating the digital twin are proposed.
The first approach makes use of both the input and output information from a
dynamical system, whereas the second approach utilizes output-only observations
to update the digital twin. Both methods use a library of candidate functions
representing certain physics to infer new perturbation terms in the existing
digital twin model. In both cases, the resulting expressions of updated digital
twins are identical, and in addition, the epistemic uncertainties are
quantified. In the first approach, the regression problem is derived from a
state-space model, whereas in the latter case, the output-only information is
treated as a stochastic process. The concepts of It\^o calculus and
Kramers-Moyal expansion are being utilized to derive the regression equation.
The performance of the proposed approaches is demonstrated using highly
nonlinear dynamical systems such as the crack-degradation problem. Numerical
results demonstrated in this paper almost exactly identify the correct
perturbation terms along with their associated parameters in the dynamical
system. The probabilistic nature of the proposed approach also helps in
quantifying the uncertainties associated with updated models. The proposed
approaches provide an exact and explainable description of the perturbations in
digital twin models, which can be directly used for better cyber-physical
integration, long-term future predictions, degradation monitoring, and
model-agnostic control.
- Abstract（参考訳）: 物理関数のライブラリーから動的システムのためのデジタルツインの作成と更新を行うフレームワークを提案する。
スパースベイズ機械学習は、デジタルツインの解釈可能な表現を更新および導出するために使用される。
ディジタルツインを更新するための2つのアプローチを提案する。
第1のアプローチでは、動的システムからの入力情報と出力情報の両方を使用し、第2のアプローチでは出力のみの観測を使用してデジタルツインを更新する。
どちらの方法も、ある物理を表す候補関数のライブラリを使用して、既存のデジタル双対モデルにおける新しい摂動項を推測する。
いずれの場合も、更新されたデジタル双生児の表現は同一であり、さらに認識の不確実性も定量化される。
第1のアプローチでは、回帰問題は状態空間モデルから導かれるが、後者の場合、出力のみの情報は確率過程として扱われる。
It\^o calculus と Kramers-Moyal の展開の概念は回帰方程式の導出に利用されている。
き裂劣化問題などの高非線形力学系を用いて,提案手法の性能を実証した。
本論文で示される数値結果は、動的系におけるそれらの関連するパラメータとともに、ほぼ正確に正しい摂動項を同定するものである。
提案手法の確率論的性質は、更新されたモデルに関連する不確かさの定量化にも役立つ。
提案手法は,サイバーフィジカルな統合,長期的予測,劣化モニタリング,モデル非依存制御に直接適用可能な,デジタル双生児モデルの摂動の正確かつ説明可能な説明を提供する。
関連論文リスト
- Learning Physics From Video: Unsupervised Physical Parameter Estimation for Continuous Dynamical Systems [49.11170948406405]
ビデオからの自動パラメータ推定の最先端は、大規模データセット上で教師付きディープネットワークをトレーニングすることによって解決される。
単一ビデオから, 既知, 連続制御方程式の物理パラメータを推定する手法を提案する。
論文 参考訳（メタデータ） (2024-10-02T09:44:54Z) - Digital twins of nonlinear dynamical systems: A perspective [0.0]
非線形力学系のデジタル双対は、系の進化を発生させ、潜在的に破滅的な創発的挙動を予測することができる。
デジタル双生児は、リアルタイムでシステム「健康」モニタリングや予測的問題解決に使用することができる。
非線形力学系のディジタル双対を構築するには、スパース最適化と機械学習の2つのアプローチが存在する。
論文 参考訳（メタデータ） (2023-09-20T16:57:11Z) - A digital twin framework for civil engineering structures [0.6249768559720122]
デジタルツインの概念は、条件ベースの予測保守パラダイムを前進させる魅力的な機会である。
本研究は, 土木構造物の健康モニタリング, 保守, 管理計画に対する予測的ディジタルツインアプローチを提案する。
論文 参考訳（メタデータ） (2023-08-02T21:38:36Z) - Enhanced multi-fidelity modelling for digital twin and uncertainty
quantification [0.0]
データ駆動モデルは、リアルタイムのアップデートと予測を可能にするデジタルツインにおいて重要な役割を果たす。
利用可能なデータの忠実さと正確なセンサーデータの不足は、しばしば代理モデルの効率的な学習を妨げる。
本稿では,ロバストなマルチフィデリティ・サロゲートモデルの開発から始まる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-26T05:58:17Z) - 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) - 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) - Improving Coherence and Consistency in Neural Sequence Models with
Dual-System, Neuro-Symbolic Reasoning [49.6928533575956]
我々は、神経系1と論理系2の間を仲介するために神経推論を用いる。
強靭なストーリー生成とグラウンドド・インストラクション・フォローリングの結果、このアプローチは神経系世代におけるコヒーレンスと精度を高めることができることを示した。
論文 参考訳（メタデータ） (2021-07-06T17:59:49Z) - Machine learning based digital twin for stochastic nonlinear
multi-degree of freedom dynamical system [0.0]
非線形多自由度(DOFM)動的システムのための新しいデジタルツインフレームワークを提案する。
提案フレームワークはベイズフィルタと機械学習アルゴリズムの任意の選択で使用することができる。
その結果,提案するデジタルツインフレームワークの適用可能性と性能が示唆された。
論文 参考訳（メタデータ） (2021-03-29T14:14:06Z) - 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) - A Probabilistic Graphical Model Foundation for Enabling Predictive
Digital Twins at Scale [0.0]
結合ダイナミクスシステムの集合として、アセットツインシステムの抽象化を作成します。
本研究では,無人航空機のディジタル双対構造を実現するために,モデルがどのようにインスタンス化されるかを実証する。
論文 参考訳（メタデータ） (2020-12-10T17:33:59Z) - 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)
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。