論文の概要: SLIDE: A machine-learning based method for forced dynamic response estimation of multibody systems

• arxiv url: http://arxiv.org/abs/2409.18272v1
• Date: Thu, 26 Sep 2024 20:34:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 14:51:14.001863
• Title: SLIDE: A machine-learning based method for forced dynamic response estimation of multibody systems
• Title（参考訳）: SLIDE:マルチボディシステムの強制動的応答推定のための機械学習に基づく手法
• Authors: Peter Manzl, Alexander Humer, Qasim Khadim, Johannes Gerstmayr,
• Abstract要約: SLiding-Window初期停止型動的応答推定器(SLIDE) メカニカル・マルチボディシステムの出力シーケンスを推定する深層学習法 その結果、シミュレーションから数百万までの大幅な高速化が示され、リアルタイム性能を大きく上回った。
• 参考スコア（独自算出の注目度）: 42.87502453001109
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In computational engineering, enhancing the simulation speed and efficiency is a perpetual goal. To fully take advantage of neural network techniques and hardware, we present the SLiding-window Initially-truncated Dynamic-response Estimator (SLIDE), a deep learning-based method designed to estimate output sequences of mechanical or multibody systems with primarily, but not exclusively, forced excitation. A key advantage of SLIDE is its ability to estimate the dynamic response of damped systems without requiring the full system state, making it particularly effective for flexible multibody systems. The method truncates the output window based on the decay of initial effects, such as damping, which is approximated by the complex eigenvalues of the systems linearized equations. In addition, a second neural network is trained to provide an error estimation, further enhancing the methods applicability. The method is applied to a diverse selection of systems, including the Duffing oscillator, a flexible slider-crank system, and an industrial 6R manipulator, mounted on a flexible socket. Our results demonstrate significant speedups from the simulation up to several millions, exceeding real-time performance substantially.
• Abstract（参考訳）: 計算工学では、シミュレーションのスピードと効率を向上させることが永遠の目標である。 ニューラルネットワーク技術とハードウェアを完全に活用するために,SLiding-window First-Truncated Dynamic-Response Estimator (SLIDE)を提案する。 SLIDEの重要な利点は、システム全体の状態を必要とせずに減衰系の動的応答を推定できることであり、柔軟性のあるマルチボディシステムに特に有効である。 この方法は、系の線形化方程式の複素固有値によって近似される減衰のような初期効果の減衰に基づいて出力ウィンドウを切断する。 さらに、第2のニューラルネットワークがトレーニングされ、エラー推定が提供され、メソッドの適用性がさらに向上する。 この方法は、フレキシブルソケットに搭載されたダッフィング発振器、フレキシブルスライダクランクシステム、産業用6Rマニピュレータを含む多様なシステムに適用される。 シミュレーションの結果,最大で数百万の高速化を実現し,実時間性能を大きく上回った。

関連論文リスト

• 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)
• Adaptive variational low-rank dynamics for open quantum systems [0.0]
  低エントロピーシステムの効率的なシミュレーションのための新しいモデル非依存手法を提案する。 本研究は,本手法の汎用性と効率性を強調し,多種多様なシステムに適用可能であることを示す。
  論文  参考訳（メタデータ） (2023-12-21T08:57:41Z)
• Interpretable learning of effective dynamics for multiscale systems [5.754251195342313]
  iLED(Interpretable Learning Effective Dynamics)の新たな枠組みを提案する。 iLEDは、最先端のリカレントニューラルネットワークベースのアプローチに匹敵する精度を提供する。 その結果、iLEDフレームワークは正確な予測を生成でき、解釈可能なダイナミクスを得ることができることがわかった。
  論文  参考訳（メタデータ） (2023-09-11T20:29:38Z)
• Data-Driven Response Regime Exploration and Identification for Dynamical Systems [0.0]
  Data-Driven Response Regime Exploration and Identification (DR$2$EI)は、動的システムの応答状態を特定し分類するための、新しく完全にデータ駆動の手法である。 DR$2$EIは教師なし学習アルゴリズムを用いてシステムの応答をシステム分類を容易にする埋め込み空間に変換する。 DR$2$EI法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-04-07T00:11:49Z)
• Adaptive learning of effective dynamics: Adaptive real-time, online modeling for complex systems [2.6144444305800234]
  本稿では,大規模シミュレーションを橋渡しし,適応的に有効な力学を抽出・予測する新しいフレームワークを提案する。 AdaLEDはオートエンコーダを使用して、システムダイナミクスの低次表現と確率的リカレントニューラルネットワーク(RNN)のアンサンブルを遅延時間ステップ時間として識別する。 このフレームワークは、計算解法とサロゲートを交互に組み合わせ、学習力学を加速し、まだ学習されていない力学系を元の解法に残す。
  論文  参考訳（メタデータ） (2023-04-04T12:05:51Z)
• On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
  我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。 まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
  論文  参考訳（メタデータ） (2023-02-05T01:39:21Z)
• On Fast Simulation of Dynamical System with Neural Vector Enhanced Numerical Solver [59.13397937903832]
  ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。 NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。 様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
  論文  参考訳（メタデータ） (2022-08-07T09:02:18Z)
• Learning effective dynamics from data-driven stochastic systems [2.4578723416255754]
  この研究は、低速力学系に対する効果的な力学の研究に費やされている。 遅い多様体を学習するために,Auto-SDEと呼ばれるニューラルネットワークを含む新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-09T09:56:58Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)

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。