論文の概要: Data-driven low-dimensional model of a sedimenting flexible fiber
- arxiv url: http://arxiv.org/abs/2405.10442v1
- Date: Thu, 16 May 2024 21:07:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-20 17:21:37.729772
- Title: Data-driven low-dimensional model of a sedimenting flexible fiber
- Title（参考訳）: データ駆動型堆積性繊維の低次元モデル
- Authors: Andrew J Fox, Michael D. Graham,
- Abstract要約: この研究は、機械学習を用いてフレキシブルファイバダイナミクスの高忠実度低次元モデルを作成するためのデータ駆動技術について述べる。
このアプローチは、オートエンコーダニューラルネットワークアーキテクチャを組み合わせて、フィラメント形状の低次元潜在表現を学習する。
我々のデータ駆動モデルでは、トレーニングされたエラスト重力数とトレーニングされていないエラスト重力数の両方で、繊維の進化を正確に予測できることが示される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The dynamics of flexible filaments entrained in flow, important for understanding many biological and industrial processes, are computationally expensive to model with full-physics simulations. This work describes a data-driven technique to create high-fidelity low-dimensional models of flexible fiber dynamics using machine learning; the technique is applied to sedimentation in a quiescent, viscous Newtonian fluid, using results from detailed simulations as the data set. The approach combines an autoencoder neural network architecture to learn a low-dimensional latent representation of the filament shape, with a neural ODE that learns the evolution of the particle in the latent state. The model was designed to model filaments of varying flexibility, characterized by an elasto-gravitational number $\mathcal{B}$, and was trained on a data set containing the evolution of fibers beginning at set angles of inclination. For the range of $\mathcal{B}$ considered here (100-10000), the filament shape dynamics can be represented with high accuracy with only four degrees of freedom, in contrast to the 93 present in the original bead-spring model used to generate the dynamic trajectories. We predict the evolution of fibers set at arbitrary angles and demonstrate that our data-driven model can accurately forecast the evolution of a fiber at both trained and untrained elasto-gravitational numbers.
- Abstract（参考訳）: 多くの生物学的プロセスや産業プロセスを理解する上で重要な、フローで訓練された柔軟なフィラメントのダイナミクスは、完全な物理シミュレーションでモデル化するのに計算コストがかかる。
本研究は、機械学習を用いて、フレキシブルファイバー力学の高忠実度低次元モデルを作成するための、データ駆動技術について述べる。
このアプローチは、自己エンコーダニューラルネットワークアーキテクチャを用いて、フィラメント形状の低次元潜在表現を学習し、潜在状態における粒子の進化を学習するニューラルODEを組み合わせる。
このモデルは、弾性重力数$\mathcal{B}$を特徴とする様々な柔軟性のフィラメントをモデル化するために設計され、傾斜角から始まる繊維の進化を含むデータセットで訓練された。
ここで考慮された$\mathcal{B}$の範囲(100-10000)では、フィラメント形状のダイナミクスは4自由度しか持たない精度で表現できる。
我々は任意の角度で設定された繊維の進化を予測し、我々のデータ駆動モデルが、トレーニングされたおよび訓練されていないエラスト重力数の両方において、繊維の進化を正確に予測できることを実証する。
関連論文リスト
- ElastoGen: 4D Generative Elastodynamics [59.20029207991106]
ElastoGenは、物理的に正確でコヒーレントな4Dエラストダイナミックスを生成する知識駆動モデルである。
偏微分方程式やそれらの数値解など、確立された物理的知識から学習する。
論文 参考訳（メタデータ） (2024-05-23T21:09:36Z) - DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative
Diffusion Models [102.13968267347553]
本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。
我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
論文 参考訳（メタデータ） (2023-11-28T18:58:48Z) - 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) - Extreme sparsification of physics-augmented neural networks for
interpretable model discovery in mechanics [0.0]
本稿では,L0$-regularizationのスムーズなバージョンを用いて,正規化された物理拡張ニューラルネットワークモデルを訓練することを提案する。
本手法は, 可圧縮・非圧縮熱力学, 降伏関数, 弾塑性の硬化モデルに対して, 解釈可能かつ信頼性の高いモデルが得られることを示す。
論文 参考訳（メタデータ） (2023-10-05T16:28:58Z) - 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) - Scientific Machine Learning for Modeling and Simulating Complex Fluids [0.0]
レオロジー方程式は複雑な流体の内部応力と変形を関連づける。
データ駆動モデルは、高価な第一原理モデルに代わる、アクセス可能な代替手段を提供する。
複素流体の類似モデルの開発が遅れている。
論文 参考訳（メタデータ） (2022-10-10T04:35:31Z) - Calibrating constitutive models with full-field data via physics
informed neural networks [0.0]
実フィールド変位データに基づくモデルパラメータ化の発見のための物理インフォームド深層学習フレームワークを提案する。
我々は、ニューラルネットワークの予測に物理的な制約を課すために、強い形式ではなく、支配方程式の弱い形式で作業する。
我々は、インフォメーション機械学習が実現可能な技術であり、モデルのキャリブレーションにフルフィールド実験データをどのように利用するかというパラダイムを変える可能性があることを実証した。
論文 参考訳（メタデータ） (2022-03-30T18:07:44Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z) - Sobolev training of thermodynamic-informed neural networks for smoothed
elasto-plasticity models with level set hardening [0.0]
本研究では, 可視成分を用いた平滑な弾塑性モデルの学習を目的としたディープラーニングフレームワークを提案する。
収率関数を進化レベル集合として再キャストすることにより、ハミルトン・ヤコビ方程式の解を予測する機械学習手法を導入する。
論文 参考訳（メタデータ） (2020-10-15T22:43:32Z) - SoftSMPL: Data-driven Modeling of Nonlinear Soft-tissue Dynamics for
Parametric Humans [15.83525220631304]
我々は,身体形状と運動の関数として,現実的なソフトタスクのダイナミクスをモデル化する学習ベース手法であるSoftSMPLを提案する。
私たちのメソッドの中核には、非常に現実的なダイナミクスをモデル化できる3つの重要なコントリビューションがあります。
論文 参考訳（メタデータ） (2020-04-01T10:35:06Z)
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。