論文の概要: Deep learning for full-field ultrasonic characterization
- arxiv url: http://arxiv.org/abs/2301.02378v1
- Date: Fri, 6 Jan 2023 05:01:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 00:36:51.778730
- Title: Deep learning for full-field ultrasonic characterization
- Title（参考訳）: フルフィールド超音波キャラクタリゼーションのための深層学習
- Authors: Yang Xu, Fatemeh Pourahmadian, Jian Song, Conglin Wang
- Abstract要約: 本研究では、最近の機械学習の進歩を活用して、物理に基づくデータ分析プラットフォームを構築する。
直接反転と物理インフォームドニューラルネットワーク(PINN)の2つの論理について検討した。
- 参考スコア（独自算出の注目度）: 7.120879473925905
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study takes advantage of recent advances in machine learning to
establish a physics-based data analytic platform for distributed reconstruction
of mechanical properties in layered components from full waveform data. In this
vein, two logics, namely the direct inversion and physics-informed neural
networks (PINNs), are explored. The direct inversion entails three steps: (i)
spectral denoising and differentiation of the full-field data, (ii) building
appropriate neural maps to approximate the profile of unknown physical and
regularization parameters on their respective domains, and (iii) simultaneous
training of the neural networks by minimizing the Tikhonov-regularized PDE loss
using data from (i). PINNs furnish efficient surrogate models of complex
systems with predictive capabilities via multitask learning where the field
variables are modeled by neural maps endowed with (scaler or distributed)
auxiliary parameters such as physical unknowns and loss function weights. PINNs
are then trained by minimizing a measure of data misfit subject to the
underlying physical laws as constraints. In this study, to facilitate learning
from ultrasonic data, the PINNs loss adopts (a) wavenumber-dependent Sobolev
norms to compute the data misfit, and (b) non-adaptive weights in a specific
scaling framework to naturally balance the loss objectives by leveraging the
form of PDEs germane to elastic-wave propagation. Both paradigms are examined
via synthetic and laboratory test data. In the latter case, the reconstructions
are performed at multiple frequencies and the results are verified by a set of
complementary experiments highlighting the importance of verification and
validation in data-driven modeling.
- Abstract（参考訳）: 本研究は、機械学習の最近の進歩を活用し、全波形データから層状成分の機械的特性を分散再構築するための物理ベースのデータ解析プラットフォームを構築する。
本稿では,2つの論理,すなわち直接反転と物理インフォームドニューラルネットワーク(PINN)について検討する。
直接反転には3つのステップがある。
(i)フルフィールドデータのスペクトル分別と微分
二 各領域における未知の物理・正規化パラメータのプロファイルを近似するための適切なニューラルマップの構築、及び
3)Tikhonov-regularized PDE損失の最小化によるニューラルネットワークの同時学習
(i)。
PINNは、フィールド変数が物理的未知や損失関数重みのような(スケールまたは分散された)補助パラメータによって与えられるニューラルネットワークによってモデル化されるマルチタスク学習を通じて予測能力を持つ複雑なシステムの効率的なサロゲートモデルを提供する。
PINNは、基礎となる物理法則に基づくデータ不適合の尺度を制約として最小化することで訓練される。
本研究では,超音波データからの学習を容易にするため,ピンズロスを採用する。
(a)データ不適合を計算するための波数依存のソボレフノルム
b) PDEの形式を弾性波伝搬に活用することにより, 損失目標を自然にバランスさせる, 特定のスケーリングフレームワークにおける非適応重み付けを行う。
どちらのパラダイムも合成データと実験室テストデータで調べられる。
後者の場合、複数の周波数で再構成を行い、データ駆動モデリングにおける検証と検証の重要性を強調した相補的な実験によって結果が検証される。
関連論文リスト
- InVAErt networks for amortized inference and identifiability analysis of lumped parameter hemodynamic models [0.0]
本研究では、ニューラルネットワークをベースとしたデータ駆動型フレームワークであるinVAErtネットワークを用いて、剛体力学系のディジタル双対解析を強化する。
InVAErtネットワークの柔軟性と有効性について,合成データから欠落成分を含む実データへの6成分ループ型パラメータ血行動態モデルの生理的逆転の文脈で示す。
論文 参考訳（メタデータ） (2024-08-15T17:07:40Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - 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) - Physics-Informed Neural Networks for Material Model Calibration from
Full-Field Displacement Data [0.0]
本研究では,実環境下でのフルフィールド変位と大域力データからモデルのキャリブレーションを行うためのPINNを提案する。
拡張PINNは、実験的な1次元データと合成フルフィールド変位データの両方から材料パラメータを識別できることを実証した。
論文 参考訳（メタデータ） (2022-12-15T11:01:32Z) - Physics-informed neural networks for gravity currents reconstruction
from limited data [0.0]
本研究では, 物理インフォームドニューラルネットワーク(PINN)を用いた非定常重力電流の3次元再構成について検討した。
PINNコンテキストでは、目的関数がネットワーク予測と観測データとのミスマッチをペナルティ化するニューラルネットワークをトレーニングすることにより、フローフィールドを再構築する。
論文 参考訳（メタデータ） (2022-11-03T11:27:29Z) - NeuralSI: Structural Parameter Identification in Nonlinear Dynamical
Systems [9.77270939559057]
本稿では,構造同定のための新しいフレームワークであるNeuralSIについて検討する。
提案手法は, 制御方程式から非線形パラメータを推定することを目的とする。
トレーニングされたモデルは、標準条件と極端な条件の両方で外挿することもできる。
論文 参考訳（メタデータ） (2022-08-26T16:32:51Z) - Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。
近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
論文 参考訳（メタデータ） (2022-05-31T22:28:34Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Parameter Estimation with Dense and Convolutional Neural Networks
Applied to the FitzHugh-Nagumo ODE [0.0]
密度層と畳み込み層を用いた深層ニューラルネットワークを逆問題として提示し,Fitz-Nagumoモデルのパラメータを推定する。
深層ニューラルネットワークは、動的モデルやプロセスにおけるパラメータを推定する可能性があり、フレームワークのパラメータを正確に予測することができることを実証する。
論文 参考訳（メタデータ） (2020-12-12T01:20:42Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z)
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。