論文の概要: Stochastic stiffness identification and response estimation of
Timoshenko beams via physics-informed Gaussian processes
- arxiv url: http://arxiv.org/abs/2309.11875v1
- Date: Thu, 21 Sep 2023 08:22:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-22 16:22:07.097705
- Title: Stochastic stiffness identification and response estimation of
Timoshenko beams via physics-informed Gaussian processes
- Title（参考訳）: 物理インフォームドガウス法によるTimoshenkoビームの確率剛性同定と応答推定
- Authors: Gledson Rodrigo Tondo and Sebastian Rau and Igor Kavrakov and Guido
Morgenthal
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning models trained with structural health monitoring data have
become a powerful tool for system identification. This paper presents a
physics-informed Gaussian process (GP) model for Timoshenko beam elements. The
model is constructed as a multi-output GP with covariance and cross-covariance
kernels analytically derived based on the differential equations for
deflections, rotations, strains, bending moments, shear forces and applied
loads. Stiffness identification is performed in a Bayesian format by maximising
a posterior model through a Markov chain Monte Carlo method, yielding a
stochastic model for the structural parameters. The optimised GP model is
further employed for probabilistic predictions of unobserved responses.
Additionally, an entropy-based method for physics-informed sensor placement
optimisation is presented, exploiting heterogeneous sensor position information
and structural boundary conditions built into the GP model. Results demonstrate
that the proposed approach is effective at identifying structural parameters
and is capable of fusing data from heterogeneous and multi-fidelity sensors.
Probabilistic predictions of structural responses and internal forces are in
closer agreement with measured data. We validate our model with an experimental
setup and discuss the quality and uncertainty of the obtained results. The
proposed approach has potential applications in the field of structural health
monitoring (SHM) for both mechanical and structural systems.
- Abstract（参考訳）: 構造的健康モニタリングデータで訓練された機械学習モデルは、システム識別の強力なツールとなっている。
本稿では,ティモシェンコビーム素子の物理インフォームドガウス過程(gp)モデルを提案する。
このモデルは, 偏向, 回転, ひずみ, 曲げモーメント, せん断力および印加荷重の微分方程式に基づいて, 共分散およびクロス共分散カーネルを解析的に導出した多出力GPとして構成される。
マルコフ連鎖モンテカルロ法による後続モデルを最大化し, 構造パラメータの確率的モデルを生成することにより, ベイズ形式で剛性同定を行う。
最適化されたGPモデルは、観測されていない応答の確率的予測にさらに用いられる。
さらに,不均一なセンサ位置情報と構造境界条件をGPモデルに組み込んだエントロピーを用いたセンサ配置最適化手法を提案する。
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ことを示す。
構造応答と内部力の確率論的予測は測定データと密接に一致している。
実験で検証し,得られた結果の品質と不確実性について検討した。
提案手法は,機械システムと構造システムの両方において,構造ヘルスモニタリング (shm) の分野において潜在的に応用できる。
関連論文リスト
- Stochastic Inference of Plate Bending from Heterogeneous Data: Physics-informed Gaussian Processes via Kirchhoff-Love Theory [0.0]
物理インフォームドガウス過程(GP)を用いた古典的キルヒホフ・ラブプレートの推論手法を提案する。
プレート制御方程式の線形微分演算子を用いて, GPを偏向前に配置し, 共分散関数を導出することにより, 確率モデルを多出力GPとして定式化する。
正弦波荷重を受ける支持板と均一荷重を受ける固定板の2つの例で適用性を示す。
論文 参考訳（メタデータ） (2024-05-21T13:53:58Z) - Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。
これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
論文 参考訳（メタデータ） (2024-03-03T04:21:21Z) - Physics-informed Gaussian process model for Euler-Bernoulli beam
elements [0.0]
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。
論文 参考訳（メタデータ） (2023-08-05T14:48:37Z) - 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) - Counting Phases and Faces Using Bayesian Thermodynamic Integration [77.34726150561087]
本稿では,2パラメータ統計力学系における熱力学関数と位相境界の再構成手法を提案する。
提案手法を用いて,IsingモデルとTASEPの分割関数と位相図を正確に再構成する。
論文 参考訳（メタデータ） (2022-05-18T17:11:23Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - 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) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳（メタデータ） (2020-11-14T01:27:32Z) - A physics-informed operator regression framework for extracting
data-driven continuum models [0.0]
高忠実度分子シミュレーションデータから連続体モデルを発見するためのフレームワークを提案する。
提案手法は、モーダル空間における制御物理のニューラルネットワークパラメタライゼーションを適用する。
局所・非局所拡散過程や単相・多相流など,様々な物理分野におけるフレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2020-09-25T01:13:51Z) - Modeling Stochastic Microscopic Traffic Behaviors: a Physics Regularized
Gaussian Process Approach [1.6242924916178285]
本研究では,実世界のランダム性を捉え,誤差を計測できる微視的交通モデルを提案する。
提案フレームワークの特長の一つは,自動車追従行動と車線変更行動の両方を1つのモデルで捉える能力である。
論文 参考訳（メタデータ） (2020-07-17T06:03:32Z)
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。