論文の概要: Vibroacoustic Frequency Response Prediction with Query-based Operator
Networks
- arxiv url: http://arxiv.org/abs/2310.05469v1
- Date: Mon, 9 Oct 2023 07:26:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 07:08:44.451082
- Title: Vibroacoustic Frequency Response Prediction with Query-based Operator
Networks
- Title（参考訳）: クエリベース演算子ネットワークによる振動周波数応答予測
- Authors: Jan van Delden, Julius Schultz, Christopher Blech, Sabine C. Langer,
Timo L\"uddecke
- Abstract要約: 本研究では, 振動板の周波数応答を推定し, ビーディングの形状が変化した場合の周波数応答を推定する。
本稿では,プレート測地を周波数応答関数にマッピングする新しい周波数クエリ演算子モデルを提案する。
我々はこの手法を振動板ベンチマークで評価し、DeepONetsやフーリエニューラル演算子、より伝統的なニューラルネットワークアーキテクチャよりも優れていることを発見した。
- 参考スコア（独自算出の注目度）: 2.149920384543722
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Understanding vibroacoustic wave propagation in mechanical structures like
airplanes, cars and houses is crucial to ensure health and comfort of their
users. To analyze such systems, designers and engineers primarily consider the
dynamic response in the frequency domain, which is computed through expensive
numerical simulations like the finite element method. In contrast, data-driven
surrogate models offer the promise of speeding up these simulations, thereby
facilitating tasks like design optimization, uncertainty quantification, and
design space exploration. We present a structured benchmark for a
representative vibroacoustic problem: Predicting the frequency response for
vibrating plates with varying forms of beadings. The benchmark features a total
of 12,000 plate geometries with an associated numerical solution and introduces
evaluation metrics to quantify the prediction quality. To address the frequency
response prediction task, we propose a novel frequency query operator model,
which is trained to map plate geometries to frequency response functions. By
integrating principles from operator learning and implicit models for shape
encoding, our approach effectively addresses the prediction of resonance peaks
of frequency responses. We evaluate the method on our vibrating-plates
benchmark and find that it outperforms DeepONets, Fourier Neural Operators and
more traditional neural network architectures. The code and dataset are
available from https://eckerlab.org/code/delden2023_plate.
- Abstract（参考訳）: 航空機や車、家などの機械構造における振動波の伝播を理解することは、ユーザーの健康と快適性を確保するために重要である。
このようなシステムを分析するため、設計者や技術者は、有限要素法のような高価な数値シミュレーションによって計算される周波数領域の動的応答を主に検討した。
対照的に、データ駆動サロゲートモデルはこれらのシミュレーションを高速化し、設計最適化、不確実性定量化、設計空間探索といったタスクを容易にする。
本研究では, 振動板の周波数応答を推定し, ビーディングの形状が変化する場合の周波数応答を推定する。
このベンチマークは12,000のプレート測地と関連する数値解を持ち、予測品質の定量化のための評価指標を導入する。
周波数応答予測課題に対処するために,プレート測地を周波数応答関数にマッピングするように訓練した新しい周波数クエリー演算子モデルを提案する。
形状符号化のための演算子学習と暗黙モデルの統合により,周波数応答の共振ピークの予測を効果的に行う。
我々はこの手法を振動板ベンチマークで評価し、deeponets、フーリエニューラルネットワークオペレーター、より伝統的なニューラルネットワークアーキテクチャよりも優れていることを突き止めた。
コードとデータセットはhttps://eckerlab.org/code/delden2023_plateから利用できる。
関連論文リスト
- Pivotal Auto-Encoder via Self-Normalizing ReLU [20.76999663290342]
トランスフォーメーション学習問題として,単一の隠蔽層スパースオートエンコーダを定式化する。
本稿では,テスト時の騒音レベルに不変な予測モデルを実現する最適化問題を提案する。
実験結果から, 各種ノイズに対する安定性が向上することが示唆された。
論文 参考訳（メタデータ） (2024-06-23T09:06:52Z) - Urban Sound Propagation: a Benchmark for 1-Step Generative Modeling of Complex Physical Systems [8.04779839951237]
本稿では,速度と物理的正確性の観点から,1ステップの推論モデルの評価のためのベンチマークを示す。
本ベンチマークは, 都市環境における音源からの波動の2次元伝播をモデル化する, 物理的に複雑で実用的な作業に基づくものである。
我々は100kのサンプルを用いて,各サンプルがOpenStreetmapから引き出された実2次元ビルディングマップとパラメータ化された音源と,与えられたシーンに対する模擬地上真実音の伝搬からなるデータセットを提供する。
論文 参考訳（メタデータ） (2024-03-16T11:38:58Z) - Analyzing Robustness of End-to-End Neural Models for Automatic Speech
Recognition [11.489161072526677]
音声認識のための事前学習ニューラルネットワークのロバスト性について検討する。
本研究では,LibriSpeechおよびTIMITデータセット上で,事前学習したニューラルネットワークwav2vec2, HuBERT, DistilHuBERTのロバスト性解析を行う。
論文 参考訳（メタデータ） (2022-08-17T20:00:54Z) - Explainable AI Algorithms for Vibration Data-based Fault Detection: Use
Case-adadpted Methods and Critical Evaluation [0.0]
深層ニューラルネットワークアルゴリズムを用いて振動データを解析することは、回転機械の損傷を早期に検出する有効な方法である。
本研究では、振動に基づく状態監視のための畳み込みニューラルネットワークへの説明可能なAI(XAI)アルゴリズムの適用について検討する。
論文 参考訳（メタデータ） (2022-07-21T19:57:36Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳（メタデータ） (2022-06-29T23:22:18Z) - Predicting Loose-Fitting Garment Deformations Using Bone-Driven Motion
Networks [63.596602299263935]
本稿では,骨駆動型モーションネットワークを用いて,ゆるやかな衣服メッシュの変形を対話的に予測する学習アルゴリズムを提案する。
提案手法は,メッシュ変形の予測精度を約20%,ハウスドルフ距離とSTEDで約10%向上させる。
論文 参考訳（メタデータ） (2022-05-03T07:54:39Z) - Seismic wave propagation and inversion with Neural Operators [7.296366040398878]
我々は、最近開発されたNeural Operatorと呼ばれる機械学習パラダイムを用いて、一般的なソリューションを学習するためのプロトタイプフレームワークを開発した。
訓練されたニューラル演算子は、任意の速度構造やソース位置について、無視可能な時間で解を計算することができる。
本手法を2次元音響波動方程式を用いて説明し, 地震トモグラフィへの適用性を実証する。
論文 参考訳（メタデータ） (2021-08-11T19:17:39Z) - Voice2Series: Reprogramming Acoustic Models for Time Series
Classification [65.94154001167608]
Voice2Seriesは、時系列分類のための音響モデルをプログラムする新しいエンドツーエンドアプローチである。
V2Sは20のタスクで性能が優れるか、最先端のメソッドと結びついているかを示し、平均精度を1.84%向上させる。
論文 参考訳（メタデータ） (2021-06-17T07:59:15Z) - Learning Noise-Aware Encoder-Decoder from Noisy Labels by Alternating
Back-Propagation for Saliency Detection [54.98042023365694]
本稿では,ノイズを考慮したエンコーダ・デコーダ・フレームワークを提案する。
提案モデルはニューラルネットワークによってパラメータ化された2つのサブモデルから構成される。
論文 参考訳（メタデータ） (2020-07-23T18:47:36Z) - Incremental Training of a Recurrent Neural Network Exploiting a
Multi-Scale Dynamic Memory [79.42778415729475]
本稿では,マルチスケール学習を対象とする,漸進的に訓練された再帰的アーキテクチャを提案する。
隠れた状態を異なるモジュールに分割することで、シンプルなRNNのアーキテクチャを拡張する方法を示す。
新しいモジュールがモデルに反復的に追加され、徐々に長い依存関係を学習するトレーニングアルゴリズムについて議論する。
論文 参考訳（メタデータ） (2020-06-29T08:35:49Z) - Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
クープマン理論に関連する新しい物理学に基づく手法が導入された。
本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。
このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
論文 参考訳（メタデータ） (2020-03-04T18:24:30Z)
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。