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
- Equivariant Graph Neural Operator for Modeling 3D Dynamics [153.9455825436751]
Equivariant Graph Neural Operator (EGNO) は,次のステップの予測に代えて,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,斬新で原理的な手法である。
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) - 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) - Physics-Informed Quantum Machine Learning for Solving Partial
Differential Equations [0.0]
観測可能量の変化として、パウリ-Z作用素の和に対するテンソル積を提案する。
このアイデアは、リカティ方程式の複素力学の解法で検証されている。
2次元ポアソン方程式の解法として,多変数関数を近似する新しい量子回路構造を提案する。
論文 参考訳(メタデータ) (2023-12-14T18:46:35Z) - On the Integration of Physics-Based Machine Learning with Hierarchical
Bayesian Modeling Techniques [0.0]
本稿では,ガウス過程(GP)モデルの平均関数にメカニクスに基づくモデルを組み込み,カーネルマシンによる潜在的な不一致を特徴付けることを提案する。
カーネル関数の定常性は、階層的ベイズ手法によって解決された長いデータセットの逐次処理において難しいハードルである。
数値および実験例を用いて, 構造力学逆問題に対する提案手法の可能性を示した。
論文 参考訳(メタデータ) (2023-03-01T02:29:41Z) - 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) - Fast Gravitational Approach for Rigid Point Set Registration with
Ordinary Differential Equations [79.71184760864507]
本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。
FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。
従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
論文 参考訳(メタデータ) (2020-09-28T15:05:39Z) - 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。