論文の概要: Physics-informed Gaussian process model for Euler-Bernoulli beam
elements
- arxiv url: http://arxiv.org/abs/2308.02894v1
- Date: Sat, 5 Aug 2023 14:48:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 18:10:25.138340
- Title: Physics-informed Gaussian process model for Euler-Bernoulli beam
elements
- Title(参考訳): Euler-Bernoulliビーム素子の物理インフォームドガウス過程モデル
- Authors: Gledson Rodrigo Tondo and Sebastian Rau and Igor Kavrakov and Guido
Morgenthal
- Abstract要約: 物理インフォームド機械学習モデルをEuler-Bernoulliビーム方程式を用いて定式化する。
このモデルは、構造物の曲げ剛性の分析値の回帰、応答の補間、潜在物理量に対する確率的推論に使うことができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A physics-informed machine learning model, in the form of a multi-output
Gaussian process, is formulated using the Euler-Bernoulli beam equation. Given
appropriate datasets, the model can be used to regress the analytical value of
the structure's bending stiffness, interpolate responses, and make
probabilistic inferences on latent physical quantities. The developed model is
applied on a numerically simulated cantilever beam, where the regressed bending
stiffness is evaluated and the influence measurement noise on the prediction
quality is investigated. Further, the regressed probabilistic stiffness
distribution is used in a structural health monitoring context, where the
Mahalanobis distance is employed to reason about the possible location and
extent of damage in the structural system. To validate the developed framework,
an experiment is conducted and measured heterogeneous datasets are used to
update the assumed analytical structural model.
- Abstract(参考訳): 物理インフォームド機械学習モデルは多出力ガウス過程の形で、オイラー・ベルヌーリビーム方程式を用いて定式化される。
適切なデータセットが与えられた場合、モデルは構造物の曲げ剛性の分析値の回帰、応答の補間、潜在物理量に対する確率的推論に使うことができる。
本研究では, 回帰曲げ剛性評価を行い, 予測品質に対する測定ノイズの影響を調べる数値シミュレーションによるカンチレバービームに適用した。
さらに, マハラノビス距離を用いて構造系における損傷の場所と程度を推定する構造的健康モニタリングの文脈において, 回帰確率剛性分布を用いる。
開発したフレームワークを検証するために実験を行い, 推定された解析構造モデルを更新するために異種データセットの測定を行った。
関連論文リスト
- Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳(メタデータ) (2024-04-11T09:23:36Z) - 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) - Stochastic stiffness identification and response estimation of
Timoshenko beams via physics-informed Gaussian processes [0.0]
本稿では,ティモシェンコビーム素子に対する物理インフォームドガウス過程(GP)モデルを提案する。
提案手法は, 構造パラメータの同定に有効であり, 異種・多要素センサからのデータを融合することができる。
論文 参考訳(メタデータ) (2023-09-21T08:22:12Z) - A physics-informed machine learning model for reconstruction of dynamic
loads [0.0]
本稿では, 物理インフォームド・マシン・ラーニング・フレームワークを用いて, 測定された偏向, 速度, 加速度に基づいて動的力の再構成を行う。
このフレームワークは不完全で汚染されたデータを扱うことができ、ノイズ測定システムを考慮した自然な正規化手法を提供する。
開発されたフレームワークには、設計モデルと仮定、損傷検出と健康モニタリングを支援するための応答の予後が含まれる。
論文 参考訳(メタデータ) (2023-08-15T18:33:58Z) - 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) - Generative models and Bayesian inversion using Laplace approximation [0.3670422696827525]
近年, 生成モデルを用いて高情報化の先行問題として逆問題の解法が提案されている。
導出ベイズ推定は、生成モデルの低次元多様体を用いたアプローチとは対照的に、一貫したものであることを示す。
論文 参考訳(メタデータ) (2022-03-15T10:05:43Z) - 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) - Uncertainty quantification in a mechanical submodel driven by a
Wasserstein-GAN [0.0]
本稿では,機械学習やデータ駆動手法における非線形手法の利用が重要であることを示す。
このような応用にはGAN(Generative Adversarial Networks)が適しており、Wasserstein-GANには勾配ペナルティのバリエーションがある。
論文 参考訳(メタデータ) (2021-10-26T13:18:06Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳(メタデータ) (2020-06-11T09:58:01Z)
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。