論文の概要: Form-Finding and Physical Property Predictions of Tensegrity Structures Using Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2407.12006v1
• Date: Sat, 15 Jun 2024 16:39:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-22 11:30:12.143321
• Title: Form-Finding and Physical Property Predictions of Tensegrity Structures Using Deep Neural Networks
• Title（参考訳）: 深部ニューラルネットワークを用いた引張構造の形状フィンディングと物性予測
• Authors: Muhao Chen, Jing Qin,
• Abstract要約: 本研究では, 緊張構造の幾何学的構成と物理特性を予測するために, ディープニューラルネットワーク (DNN) アプローチを開発した。 検証のために, 粘度Dバー, プリズム, ランダーを含む3つの張力構造を解析した。
• 参考スコア（独自算出の注目度）: 39.19016806159609
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the design of tensegrity structures, traditional form-finding methods utilize kinematic and static approaches to identify geometric configurations that achieve equilibrium. However, these methods often fall short when applied to actual physical models due to imperfections in the manufacturing of structural elements, assembly errors, and material non-linearities. In this work, we develop a deep neural network (DNN) approach to predict the geometric configurations and physical properties-such as nodal coordinates, member forces, and natural frequencies-of any tensegrity structures in equilibrium states. First, we outline the analytical governing equations for tensegrity structures, covering statics involving nodal coordinates and member forces, as well as modal information. Next, we propose a data-driven framework for training an appropriate DNN model capable of simultaneously predicting tensegrity forms and physical properties, thereby circumventing the need to solve equilibrium equations. For validation, we analyze three tensegrity structures, including a tensegrity D-bar, prism, and lander, demonstrating that our approach can identify approximation systems with relatively very small output errors. This technique is applicable to a wide range of tensegrity structures, particularly in real-world construction, and can be extended to address additional challenges in identifying structural physics information.
• Abstract（参考訳）: 引張構造の設計において、従来のホルムフィンディング法は運動学的および静的なアプローチを用いて平衡を達成する幾何学的構成を同定する。 しかし、これらの手法は、構造要素、組立誤差、材料非直線性の製造において不完全であるために、実際の物理モデルに適用すると、しばしば不足する。 本研究では, 非線形座標, 部材力, および平衡状態における任意の張力構造の自然周波数など, 幾何学的構成や物理特性を予測するためのディープニューラルネットワーク(DNN)アプローチを開発する。 まず, テンソル構造の解析的支配方程式について概説し, 正弦波座標と部材力を含む静的構造とモーダル情報について概説する。 次に, 等式と物理特性を同時に予測し, 平衡方程式の解法を回避できる適切なDNNモデルをトレーニングするためのデータ駆動型フレームワークを提案する。 検証のために,Dバー,プリズム,ランダーを含む3つの緊張構造を解析し,比較的少ない出力誤差で近似系を同定できることを実証した。 この手法は、特に実世界の構造において、幅広い引張構造に適用でき、構造物理学情報を識別する際のさらなる課題に対処するために拡張することができる。

関連論文リスト

• Compositional Structures in Neural Embedding and Interaction Decompositions [101.40245125955306]
  ニューラルネットワークにおけるベクトル埋め込みにおける線形代数構造間の基本的な対応について述べる。 相互作用分解」の観点から構成構造の特徴づけを導入する。 モデルの表現の中にそのような構造が存在するためには、必要かつ十分な条件を確立する。
  論文  参考訳（メタデータ） (2024-07-12T02:39:50Z)
• 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)
• Identifying Constitutive Parameters for Complex Hyperelastic Materials using Physics-Informed Neural Networks [0.0]
  軟質材料の材料パラメータの同定を目的とした,堅牢なPINNベースのフレームワークを提案する。 本モデルでは,マルチモーダル合成実験データセットを用いたPINNのトレーニングを強調した。 以上の結果から, PINN フレームワークは, 複雑なジオメトリーを持つ試料に対する圧縮不能な Arruda-Boyce モデルのパラメータを正確に同定し, 5% 未満の誤差を維持することができることがわかった。
  論文  参考訳（メタデータ） (2023-08-29T21:25:24Z)
• Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
  多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。 そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-04-27T17:42:24Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• A physics-based domain adaptation framework for modelling and forecasting building energy systems [5.8010446129208155]
  最先端の機械学習ベースのモデルは、建物内のエネルギー挙動のモデリングと予測に一般的な選択肢である。 しかし、それらの構造は、物理現象の制御と結びついた物理的・機械的構造を持たない。 我々はラベル付きデータの代わりに、熱伝達常微分方程式によって支配されるLTIの幾何学構造を利用する新しいSDA手法を導入する。
  論文  参考訳（メタデータ） (2022-08-19T17:27:39Z)
• Surrogate Modeling for Physical Systems with Preserved Properties and Adjustable Tradeoffs [0.0]
  代理モデルを生成するためのモデルベースおよびデータ駆動型戦略を提案する。 後者は、前提となる位相構造に人工的関係を組み込むことで解釈可能な代理モデルを生成する。 我々のフレームワークは、分散パラメータモデルのための様々な空間離散化スキームと互換性がある。
  論文  参考訳（メタデータ） (2022-02-02T17:07:02Z)
• Structure-preserving Sparse Identification of Nonlinear Dynamics for Data-driven Modeling [0.0]
  本稿では,SINDy(Sparse Identification of Dynamics)形式とニューラル常微分方程式の結合について述べる。 結果として得られるフレームワークは、"ブラックボックス"のダイナミクスの学習と、可逆的および不可逆的両方のダイナミクスのためのブラケット形式を保存する構造学の学習を可能にする。
  論文  参考訳（メタデータ） (2021-09-11T20:32:10Z)
• Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable Dynamical Systems [74.80320120264459]
  本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。 複素運動は安定な力学系のロールアウトとして符号化される。 このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
  論文  参考訳（メタデータ） (2020-05-27T03:51:57Z)
• Geometric deep learning for computational mechanics Part I: Anisotropic Hyperelasticity [1.8606313462183062]
  本稿では, 幾何学的深層学習を用いた最初の試みであり, ソボレフトレーニングには非ユークリッドマイクロ構造データが含まれており, 異方性超構造体機械学習モデルを有限変形範囲でトレーニングすることができる。
  論文  参考訳（メタデータ） (2020-01-08T02:07:39Z)

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。