論文の概要: Discovering governing equation in structural dynamics from acceleration-only measurements

• arxiv url: http://arxiv.org/abs/2407.13704v1
• Date: Thu, 18 Jul 2024 17:04:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-19 14:31:41.182271
• Title: Discovering governing equation in structural dynamics from acceleration-only measurements
• Title（参考訳）: 加速度のみの測定による構造力学における支配方程式の発見
• Authors: Calvin Alvares, Souvik Chakraborty,
• Abstract要約: 本稿では,加速度のみの測定から力学系の支配方程式を発見するための新しい方程式探索アルゴリズムを提案する。 提案アルゴリズムは、方程式探索のためのライブラリベースのアプローチを採用し、擬似モデルを優先順位付けする。 提案アルゴリズムの有効性を,線形力学系と非線形力学系の両方を含む4つの構造力学の例を用いて示す。
• 参考スコア（独自算出の注目度）: 0.9208007322096533
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Over the past few years, equation discovery has gained popularity in different fields of science and engineering. However, existing equation discovery algorithms rely on the availability of noisy measurements of the state variables (i.e., displacement {and velocity}). This is a major bottleneck in structural dynamics, where we often only have access to acceleration measurements. To that end, this paper introduces a novel equation discovery algorithm for discovering governing equations of dynamical systems from acceleration-only measurements. The proposed algorithm employs a library-based approach for equation discovery. To enable equation discovery from acceleration-only measurements, we propose a novel Approximate Bayesian Computation (ABC) model that prioritizes parsimonious models. The efficacy of the proposed algorithm is illustrated using {four} structural dynamics examples that include both linear and nonlinear dynamical systems. The case studies presented illustrate the possible application of the proposed approach for equation discovery of dynamical systems from acceleration-only measurements.
• Abstract（参考訳）: 過去数年間、方程式発見は科学と工学の様々な分野で人気を博してきた。 しかし、既存の方程式探索アルゴリズムは状態変数(つまり変位と速度)のノイズ測定の可用性に依存している。 これは構造力学における大きなボトルネックであり、加速度測定にしかアクセスできないことが多い。 そこで本研究では,加速度のみの測定から力学系の支配方程式を探索する新しい方程式探索アルゴリズムを提案する。 提案アルゴリズムは,方程式探索にライブラリベースのアプローチを用いる。 加速度のみの測定から方程式の発見を可能にするために,近似ベイズ計算(ABC)モデルを提案する。 提案アルゴリズムの有効性は, 線形力学系と非線形力学系の両方を含む, {four} 構造力学の例を用いて示される。 ケーススタディでは、加速のみの測定から力学系の方程式発見への提案手法の適用の可能性を示した。

関連論文リスト

• Equation-informed data-driven identification of flow budgets and dynamics [0.0]
  本稿では,フロークラスタリングのための新しいハイブリッド手法を提案する。 それは、方程式に基づく特徴を持つシステムの各サンプルポイントを特徴づけることから成り立っている。 このアルゴリズムは、EulerianフレームワークとLagrangianフレームワークの両方で実装されている。
  論文  参考訳（メタデータ） (2024-11-14T15:59:41Z)
• Learning Controlled Stochastic Differential Equations [61.82896036131116]
  本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。 我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。 当社のメソッドはオープンソースPythonライブラリとして利用可能です。
  論文  参考訳（メタデータ） (2024-11-04T11:09:58Z)
• Automated Discovery of Continuous Dynamics from Videos [4.690264156292023]
  システム力学の滑らかさを保った状態変数の集合を探索する手法を提案する。 物理知識のないビデオストリームから自動的に,システムの動的方程式を表すベクトル場を構築する。
  論文  参考訳（メタデータ） (2024-10-14T03:37:02Z)
• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)
• Newton-Cotes Graph Neural Networks: On the Time Evolution of Dynamic Systems [49.50674348130157]
  本稿では,ニュートン・コーツの公式を用いた速度推定に基づく積分の予測手法を提案する。 いくつかのベンチマークの実験は、最先端の手法と比較して、一貫性と顕著な改善を実証的に示している。
  論文  参考訳（メタデータ） (2023-05-24T02:23:00Z)
• Learning governing physics from output only measurements [0.0]
  出力のみの測定から力学系の物理を学習する新しい枠組みを提案する。 特に、スパイクとスラブを前もって推進する空間性、ベイズ法、ユーラー・マルヤマ法則を組み合わせて、データから支配物理学を識別する。
  論文  参考訳（メタデータ） (2022-08-11T02:24:03Z)
• Efficient Differentiable Simulation of Articulated Bodies [89.64118042429287]
  本稿では, 音素の効率的な微分可能シミュレーション法を提案する。 これにより、ボディダイナミクスを深層学習フレームワークに統合することが可能になる。 提案手法を用いて, 調音システムによる強化学習を高速化できることを示す。
  論文  参考訳（メタデータ） (2021-09-16T04:48:13Z)
• DySMHO: Data-Driven Discovery of Governing Equations for Dynamical Systems via Moving Horizon Optimization [77.34726150561087]
  本稿では,スケーラブルな機械学習フレームワークである移動水平最適化(DySMHO)による動的システムの発見について紹介する。 DySMHOは、基底関数の大きな辞書から基礎となる支配方程式を逐次学習する。 標準非線形力学系の例は、DySMHOが規則を正確に回復できることを示すために用いられる。
  論文  参考訳（メタデータ） (2021-07-30T20:35:03Z)
• Neural Ordinary Differential Equations for Data-Driven Reduced Order Modeling of Environmental Hydrodynamics [4.547988283172179]
  流体シミュレーションにおける神経常微分方程式の利用について検討する。 テスト問題としては,シリンダー周辺の非圧縮性流れや河川・河口系における浅水流体力学の現実的応用などが挙げられる。 本研究では,ニューラル ODE が潜在空間力学の安定かつ正確な進化のためのエレガントな枠組みを提供することを示唆する。
  論文  参考訳（メタデータ） (2021-04-22T19:20:47Z)
• The data-driven physical-based equations discovery using evolutionary approach [77.34726150561087]
  与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。 このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。 解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
  論文  参考訳（メタデータ） (2020-04-03T17:21:57Z)
• Model-Based Reinforcement Learning for Physical Systems Without Velocity and Acceleration Measurements [19.060544153434428]
  ガウス過程回帰(GPR)に基づく強化学習(RL)アルゴリズムのための微分自由モデル学習フレームワークを提案する。 多くのメカニカルシステムでは、計測器によって位置のみを測定することができる。 2つの実プラットフォームで実施されたテストでは,提案モデルと組み合わせた状態定義により,推定性能が向上することが示された。
  論文  参考訳（メタデータ） (2020-02-25T01:58:34Z)

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。