論文の概要: Physics-informed DeepONet with stiffness-based loss functions for structural response prediction

• arxiv url: http://arxiv.org/abs/2409.00994v1
• Date: Mon, 2 Sep 2024 07:19:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 07:59:10.401564
• Title: Physics-informed DeepONet with stiffness-based loss functions for structural response prediction
• Title（参考訳）: 剛性に基づく損失関数を持つ物理インフォームドDeepONetによる構造応答予測
• Authors: Bilal Ahmed, Yuqing Qiu, Diab W. Abueidda, Waleed El-Sekelly, Borja Garcia de Soto, Tarek Abdoun, Mostafa E. Mobasher,
• Abstract要約: 本研究では,DeepOnetを用いた構造的静的応答のリアルタイム予測手法を提案する。 トレーニングされたDeepONetは、1秒以内にドメイン全体のソリューションを生成することができる。
• 参考スコア（独自算出の注目度）: 0.07538606213726905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Finite element modeling is a well-established tool for structural analysis, yet modeling complex structures often requires extensive pre-processing, significant analysis effort, and considerable time. This study addresses this challenge by introducing an innovative method for real-time prediction of structural static responses using DeepOnet which relies on a novel approach to physics-informed networks driven by structural balance laws. This approach offers the flexibility to accurately predict responses under various load classes and magnitudes. The trained DeepONet can generate solutions for the entire domain, within a fraction of a second. This capability effectively eliminates the need for extensive remodeling and analysis typically required for each new case in FE modeling. We apply the proposed method to two structures: a simple 2D beam structure and a comprehensive 3D model of a real bridge. To predict multiple variables with DeepONet, we utilize two strategies: a split branch/trunk and multiple DeepONets combined into a single DeepONet. In addition to data-driven training, we introduce a novel physics-informed training approaches. This method leverages structural stiffness matrices to enforce fundamental equilibrium and energy conservation principles, resulting in two novel physics-informed loss functions: energy conservation and static equilibrium using the Schur complement. We use various combinations of loss functions to achieve an error rate of less than 5% with significantly reduced training time. This study shows that DeepONet, enhanced with hybrid loss functions, can accurately and efficiently predict displacements and rotations at each mesh point, with reduced training time.
• Abstract（参考訳）: 有限要素モデリングは、構造解析のための確立されたツールであるが、複雑な構造をモデル化するには、広範囲な前処理、重要な分析努力、かなりの時間を要することが多い。 本研究では,DeepOnetを用いた構造的静的応答のリアルタイム予測手法を導入することで,この課題に対処する。 このアプローチは、様々な負荷クラスとマグニチュードの下でレスポンスを正確に予測する柔軟性を提供します。 トレーニングされたDeepONetは、1秒以内にドメイン全体のソリューションを生成することができる。 この機能は、FEモデリングにおける各新しいケースで通常必要とされる広範囲なリモデリングと分析の必要性を効果的に排除する。 提案手法を実橋の簡易な2次元ビーム構造と包括的3次元モデルという2つの構造に適用する。 DeepONetで複数の変数を予測するには、分割ブランチ/トランクと複数のDeepONetsを1つのDeepONetに統合する2つの戦略を利用する。 データ駆動トレーニングに加えて、新しい物理インフォームドトレーニングアプローチを導入する。 この方法は構造剛性行列を活用し、基本的な平衡とエネルギー保存の原理を強制し、2つの新しい物理学インフォームド損失関数(エネルギー保存とシュア補数を用いた静的平衡)をもたらす。 損失関数の様々な組み合わせを用いて、トレーニング時間を大幅に短縮し、5%未満の誤差率を達成する。 本研究では,ハイブリッド損失関数によって強化されたDeepONetが,各メッシュ点における変位と回転を,トレーニング時間を短縮して正確に,効率的に予測できることを示す。

関連論文リスト

• Network scaling and scale-driven loss balancing for intelligent poroelastography [2.665036498336221]
  フルウェーブフォームデータからポリ弾性媒体のマルチスケールキャラクタリゼーションのためのディープラーニングフレームワークを開発した。 2つの大きな課題は、この目的のために既存の最先端技術を直接適用することを妨げる。 本稿では, ニューラルネットワークをスケーリング層に構成した単位形状関数を用いて, ニューラルプロパティマップを構築する, エンフェネティックスケーリングの考え方を提案する。
  論文  参考訳（メタデータ） (2024-10-27T23:06:29Z)
• Disentangling the Causes of Plasticity Loss in Neural Networks [55.23250269007988]
  可塑性の喪失は複数の独立したメカニズムに分解できることを示す。 種々の非定常学習タスクにおいて, 層正規化と重み劣化の組み合わせは, 可塑性維持に極めて有効であることを示す。
  論文  参考訳（メタデータ） (2024-02-29T00:02:33Z)
• Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
  PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。 運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。 結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
  論文  参考訳（メタデータ） (2024-02-28T02:16:03Z)
• On the Dynamics Under the Unhinged Loss and Beyond [104.49565602940699]
  我々は、閉形式力学を解析するための数学的機会を提供する、簡潔な損失関数であるアンヒンジド・ロスを導入する。 アンヒンジされた損失は、時間変化学習率や特徴正規化など、より実践的なテクニックを検討することができる。
  論文  参考訳（メタデータ） (2023-12-13T02:11:07Z)
• Self-Validated Physics-Embedding Network: A General Framework for Inverse Modelling [2.449329947677678]
  SVPEN(Self-Embedding Physics-Embedding Network)は、逆モデリングのための一般的なニューラルネットワークフレームワークである。 組込み物理フォワードモデルは、そのバリデーションに合格した任意の解が物理的に妥当であることを保証する。 非常に非線形で完全に異なる2つの応用における10以上のケーススタディが提示される。
  論文  参考訳（メタデータ） (2022-10-12T10:31:36Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Parameter-Efficient Mixture-of-Experts Architecture for Pre-trained Language Models [68.9288651177564]
  量子多体物理学から行列積演算子(MPO)に基づく新しいMoEアーキテクチャを提案する。 分解されたMPO構造により、元のMoEアーキテクチャのパラメータを減らすことができる。 GPT2に基づく3つの有名な下流自然言語データセットの実験は、モデルキャパシティの向上における性能と効率の向上を示している。
  論文  参考訳（メタデータ） (2022-03-02T13:44:49Z)
• Extended Unconstrained Features Model for Exploring Deep Neural Collapse [59.59039125375527]
  近年、ディープニューラルネットワークで「神経崩壊」(NC)と呼ばれる現象が経験的に観察されている。 最近の論文は、単純化された「制約なし特徴モデル」を最適化する際に、この構造を持つ最小化器が出現することを示している。 本稿では, 正規化MSE損失に対するUDFについて検討し, クロスエントロピーの場合よりも最小化器の特徴がより構造化可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-16T14:17:37Z)
• An extended physics informed neural network for preliminary analysis of parametric optimal control problems [0.0]
  本研究では、パラメトリック偏微分方程式に対する教師付き学習戦略の拡張を提案する。 我々の主な目標は、パラメトリケート現象を短時間でシミュレートする物理情報学習パラダイムを提供することです。
  論文  参考訳（メタデータ） (2021-10-26T09:39:05Z)
• 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)
• Time-Continuous Energy-Conservation Neural Network for Structural Dynamics Analysis [2.0952223808496164]
  物理法則を尊重するエネルギー保存ニューラルネットワークの新しいファミリーが導入された。 提案モデルでは,システムエネルギーをニューラルネットワークの最終層として利用する。 ケーススタディとして,現実的な地震記録を用いて3層建物地震シミュレーションを行う。
  論文  参考訳（メタデータ） (2020-12-16T01:00:56Z)

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。