論文の概要: Physics-informed machine learning for moving load problems
- arxiv url: http://arxiv.org/abs/2304.00369v1
- Date: Sat, 1 Apr 2023 18:32:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-04 18:25:10.699338
- Title: Physics-informed machine learning for moving load problems
- Title（参考訳）: 移動負荷問題に対する物理インフォームド機械学習
- Authors: Taniya Kapoor, Hongrui Wang, Alfredo N\'u\~nez, and Rolf Dollevoet
- Abstract要約: 本稿では,物理インフォームド・機械学習(PIML)を用いた移動負荷の前方および逆問題に対する新しいシミュレーション手法を提案する。
物理インフォームドニューラルネットワーク(PINN)は、移動負荷問題の基盤となる物理を利用して、ビームの偏向と負荷の大きさを予測する。
- 参考スコア（独自算出の注目度）: 1.07096034039364
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a new approach to simulate forward and inverse problems
of moving loads using physics-informed machine learning (PIML).
Physics-informed neural networks (PINNs) utilize the underlying physics of
moving load problems and aim to predict the deflection of beams and the
magnitude of the loads. The mathematical representation of the moving load
considered in this work involves a Dirac delta function, to capture the effect
of the load moving across the structure. Approximating the Dirac delta function
with PINNs is challenging because of its instantaneous change of output at a
single point, causing difficulty in the convergence of the loss function. We
propose to approximate the Dirac delta function with a Gaussian function. The
incorporated Gaussian function physical equations are used in the
physics-informed neural architecture to simulate beam deflections and to
predict the magnitude of the load. Numerical results show that PIML is an
effective method for simulating the forward and inverse problems for the
considered model of a moving load.
- Abstract（参考訳）: 本稿では,物理インフォームド機械学習(piml)を用いた移動負荷の前方および逆問題をシミュレートする新しい手法を提案する。
物理インフォームドニューラルネットワーク(PINN)は、移動負荷問題の基盤となる物理を利用して、ビームの偏向と負荷の大きさを予測する。
この研究で考慮された移動荷重の数学的表現は、構造物を横切る荷重の影響を捉えるためにディラックデルタ関数を含む。
ディラックデルタ関数をピンで近似することは、1つの点における出力の瞬時変化のために困難であり、損失関数の収束が困難である。
本稿では,ディラックデルタ関数をガウス関数に近似することを提案する。
組み込まれたガウス関数物理方程式は、ビームの偏向をシミュレートし、負荷の大きさを予測するために物理学インフォームド・ニューラル・アーキテクチャで用いられる。
数値計算の結果,PIMLは移動荷重のモデルに対する前方および逆問題のシミュレーションに有効な方法であることがわかった。
関連論文リスト
- Physics-informed neural networks need a physicist to be accurate: the case of mass and heat transport in Fischer-Tropsch catalyst particles [0.3926357402982764]
物理インフォームドニューラルネットワーク(PINN)は、機械学習の迅速かつ自動化された能力と、理論物理学に根ざしたシミュレーションの精度と信頼性を融合して、影響力のある技術として登場した。
しかし、PINNの広範な採用は信頼性の問題、特に入力パラメータ範囲の極端ではまだ妨げられている。
ドメイン知識に基づくPINNアーキテクチャの変更を提案する。
論文 参考訳（メタデータ） (2024-11-15T08:55:31Z) - Differentiable Physics-based System Identification for Robotic Manipulation of Elastoplastic Materials [43.99845081513279]
本研究は, ロボットアームが弾塑性材料と環境の物理パラメータを推定できる, 微分可能物理に基づくシステム同定(DPSI)フレームワークを提案する。
1つの現実世界の相互作用だけで、推定されたパラメータは視覚的および物理的に現実的な振る舞いを正確にシミュレートすることができる。
論文 参考訳（メタデータ） (2024-11-01T13:04:25Z) - DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。
DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。
経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
論文 参考訳（メタデータ） (2024-10-08T10:48:50Z) - Physics-Informed Deep Learning of Rate-and-State Fault Friction [0.0]
我々は, 前方問題と非線形欠陥摩擦パラメータの直接逆変換のためのマルチネットワークPINNを開発した。
本稿では1次元および2次元のストライク・スリップ断層に対する速度・状態摩擦を考慮した計算PINNフレームワークを提案する。
その結果, 断層におけるパラメータ逆転のネットワークは, 結合した物質変位のネットワークよりもはるかに優れていることがわかった。
論文 参考訳（メタデータ） (2023-12-14T23:53:25Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳（メタデータ） (2023-02-20T19:36:52Z) - Data-driven modeling of Landau damping by physics-informed neural
networks [4.728411962159049]
機械学習を用いて,ニューラルネットワークに含まれる暗黙の流体閉鎖を伴う多モーメント流体モデルを構築した。
このモデルは、減衰速度を含む電場エネルギーの時間発展と、動力学シミュレーションからプラズマ力学を再現する。
この研究は、複雑なマルチスケール実験室、宇宙、天体物理学の問題にまで拡張可能な、大規模システムの正確かつ効率的なモデリングに光を当てている。
論文 参考訳（メタデータ） (2022-11-02T10:33:38Z) - Physics Informed RNN-DCT Networks for Time-Dependent Partial
Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。
我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。
ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文 参考訳（メタデータ） (2022-02-24T20:46:52Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳（メタデータ） (2021-06-24T15:58:57Z) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳（メタデータ） (2021-06-17T00:49:55Z) - Physics-informed deep learning for incompressible laminar flows [13.084113582897965]
流体力学のための物理インフォームドニューラルネットワーク(PINN)の混合可変方式を提案する。
パラメトリック研究では、混合変数スキームがPINNのトレーニング容易性と解の精度を向上させることが示されている。
論文 参考訳（メタデータ） (2020-02-24T21:51:53Z)
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。