論文の概要: Stochastic Inference of Plate Bending from Heterogeneous Data: Physics-informed Gaussian Processes via Kirchhoff-Love Theory
- arxiv url: http://arxiv.org/abs/2405.12802v1
- Date: Tue, 21 May 2024 13:53:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-22 17:33:24.788761
- Title: Stochastic Inference of Plate Bending from Heterogeneous Data: Physics-informed Gaussian Processes via Kirchhoff-Love Theory
- Title（参考訳）: 不均一データからのプレート曲げの確率的推論:Kirchhoff-Love理論による物理インフォームドガウス過程
- Authors: Igor Kavrakov, Gledson Rodrigo Tondo, Guido Morgenthal,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Advancements in machine learning and an abundance of structural monitoring data have inspired the integration of mechanical models with probabilistic models to identify a structure's state and quantify the uncertainty of its physical parameters and response. In this paper, we propose an inference methodology for classical Kirchhoff-Love plates via physics-informed Gaussian Processes (GP). A probabilistic model is formulated as a multi-output GP by placing a GP prior on the deflection and deriving the covariance function using the linear differential operators of the plate governing equations. The posteriors of the flexural rigidity, hyperparameters, and plate response are inferred in a Bayesian manner using Markov chain Monte Carlo (MCMC) sampling from noisy measurements. We demonstrate the applicability with two examples: a simply supported plate subjected to a sinusoidal load and a fixed plate subjected to a uniform load. The results illustrate how the proposed methodology can be employed to perform stochastic inference for plate rigidity and physical quantities by integrating measurements from various sensor types and qualities. Potential applications of the presented methodology are in structural health monitoring and uncertainty quantification of plate-like structures.
- Abstract（参考訳）: 機械学習の進歩と構造モニタリングデータの豊富さは、機械モデルと確率モデルの統合を刺激し、構造の状態を特定し、その物理的パラメータと応答の不確かさを定量化している。
本稿では,古典的Kirchhoff-Loveプレートの物理インフォームドガウス過程(GP)による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。
騒音測定からマルコフ連鎖モンテカルロ (MCMC) を用いて, 曲げ剛性, ハイパーパラメータ, プレート応答の後方をベイズ的に推定した。
正弦波荷重を受ける単純な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。
提案手法を用いて, 各種センサタイプと品質の測定値を統合することにより, プレート剛性と物理量に対する確率的推定を行う方法について検討した。
提案手法の潜在的な応用は、プレート状構造の構造的健康モニタリングと不確実性定量化である。
関連論文リスト
- Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - Conditional score-based diffusion models for solving inverse problems in mechanics [6.319616423658121]
条件付きスコアベース拡散モデルを用いてベイズ推定を行う枠組みを提案する。
条件付きスコアベース拡散モデルは条件分布のスコア関数を近似する生成モデルである。
メカニクスにおける高次元逆問題に対して提案手法の有効性を示す。
論文 参考訳（メタデータ） (2024-06-19T02:09:15Z) - Applications of flow models to the generation of correlated lattice QCD ensembles [69.18453821764075]
機械学習された正規化フローは、格子量子場理論の文脈で、異なる作用パラメータで格子ゲージ場の統計的に相関したアンサンブルを生成するために用いられる。
本研究は,これらの相関を可観測物の計算における分散低減に活用する方法を実証する。
論文 参考訳（メタデータ） (2024-01-19T18:33:52Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - 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) - 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) - 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) - Bayesian Calibration of imperfect computer models using Physics-informed
priors [0.0]
本稿では,計算機モデルの物理パラメータの不確かさを定量化するのに適した,計算効率の良いデータ駆動フレームワークを提案する。
我々はこれを完全にベイズ的枠組みに拡張し、物理パラメータの不確かさとモデル予測の定量化を可能にした。
この研究は、高血圧の個人治療のための心臓の血行動態の解釈可能なパラメータの必要性によって動機付けられている。
論文 参考訳（メタデータ） (2022-01-17T15:16:26Z) - 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 States: A data-driven representation of quantum
many-body physics [59.7232780552418]
我々は、絡み合った多体量子状態をコンパクトに表現するための、新しい非パラメトリック形式を示す。
この状態は、非常にコンパクトで、体系的に即効性があり、サンプリングに効率的である。
また、量子状態に対する普遍的な近似器として証明されており、データセットのサイズが大きくなるにつれて、絡み合った多体状態も捉えることができる。
論文 参考訳（メタデータ） (2020-02-27T15:54:44Z)
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。