論文の概要: Ensemble WSINDy for Data Driven Discovery of Governing Equations from Laser-based Full-field Measurements
- arxiv url: http://arxiv.org/abs/2409.20510v1
- Date: Mon, 30 Sep 2024 17:12:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-01 22:52:59.196788
- Title: Ensemble WSINDy for Data Driven Discovery of Governing Equations from Laser-based Full-field Measurements
- Title（参考訳）: レーザーによるフルフィールド計測によるGoverning方程式のデータ駆動的発見のためのWSINDyのアンサンブル
- Authors: Abigail C. Schmid, Alireza Doostan, Fatemeh Pourahmadian,
- Abstract要約: この研究はレーザー振動計と偏微分方程式に対する非線形力学(WSINDy)の弱い形式を利用する。
2つのビーム状試料、1つのアルミニウムと1つのIDOX/Estane複合体は、低周波状態において波せん断励起を受ける。
The WSINDy for PDEs algorithm is applied to the result-temporal data to find the effective dynamics of the specimens。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work leverages laser vibrometry and the weak form of the sparse identification of nonlinear dynamics (WSINDy) for partial differential equations to learn macroscale governing equations from full-field experimental data. In the experiments, two beam-like specimens, one aluminum and one IDOX/Estane composite, are subjected to shear wave excitation in the low frequency regime and the response is measured in the form of particle velocity on the specimen surface. The WSINDy for PDEs algorithm is applied to the resulting spatio-temporal data to discover the effective dynamics of the specimens from a family of potential PDEs. The discovered PDE is of the recognizable Euler-Bernoulli beam model form, from which the Young's modulus for the two materials are estimated. An ensemble version of the WSINDy algorithm is also used which results in information about the uncertainty in the PDE coefficients and Young's moduli. The discovered PDEs are also simulated with a finite element code to compare against the experimental data with reasonable accuracy. Using full-field experimental data and WSINDy together is a powerful non-destructive approach for learning unknown governing equations and gaining insights about mechanical systems in the dynamic regime.
- Abstract（参考訳）: この研究は、レーザー振動計と偏微分方程式に対する非線形力学(WSINDy)のスパース同定の弱い形式を利用して、フルフィールド実験データからマクロスケール支配方程式を学習する。
実験では, 低周波状態下では, 2つのビーム状試料, 1つのアルミニウムおよび1つのIDOX/Estane複合体がせん断波励起を受け, その応答は試料表面の粒子速度の形で測定された。
The WSINDy for PDEs algorithm is applied to the result spatio-temporal data to find the effective dynamics of the specimens from a family of potential PDEs。
発見されたPDEは、Euler-Bernoulliビームモデルであり、2つの材料に対するヤング率を推定する。
また、WSINDyアルゴリズムのアンサンブルバージョンを使用して、PDE係数とヤング変調の不確かさに関する情報を得る。
検出されたPDEは有限要素コードでシミュレートされ、実験データと妥当な精度で比較される。
フルフィールドの実験データとWSINDyを併用することは、未知の統治方程式を学習し、力学系に関する洞察を得るための強力な非破壊的アプローチである。
関連論文リスト
- 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) - Physics-constrained robust learning of open-form partial differential equations from limited and noisy data [1.50528618730365]
本研究では,自由形式偏微分方程式(PDE)を有限・雑音データから頑健に解明する枠組みを提案する。
ニューラルネットワークに基づく予測モデルは、システム応答に適合し、生成されたPDEに対する報酬評価器として機能する。
数値実験により, 非線形力学系から, 極めてノイズの多いデータで支配方程式を発見できることを示す。
論文 参考訳（メタデータ） (2023-09-14T12:34:42Z) - A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳（メタデータ） (2023-05-31T15:33:16Z) - 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) - Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。
数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。
LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
論文 参考訳（メタデータ） (2023-01-30T04:58:40Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Data-driven Identification of 2D Partial Differential Equations using
extracted physical features [0.0]
本稿では,2次元データから方程式に係わる項を発見するためのML手法を提案する。
このアイデアは、異なる順序の時間微分を持つ2次元方程式を発見し、モデルが訓練されていない新しい基礎物理学を識別することを可能にする。
その結果, 3次元畳み込みニューラルネットワーク(3D CNN)で検出された特徴と比較して, 先行知識に基づいて抽出した特徴のロバスト性を示した。
論文 参考訳（メタデータ） (2020-10-20T21:06:50Z) - Deep-learning of Parametric Partial Differential Equations from Sparse
and Noisy Data [2.4431531175170362]
この研究では、ニューラルネットワーク、遺伝的アルゴリズム、適応的手法を組み合わせた新しいフレームワークが、これらの課題を同時に解決するために提案されている。
訓練されたニューラルネットワークを用いてデリバティブを計算し、大量のメタデータを生成し、スパースノイズデータの問題を解決する。
次に、遺伝的アルゴリズムを用いて、不完全候補ライブラリによるPDEと対応する係数の形式を発見する。
空間的あるいは時間的に異なる係数を持つパラメトリックPDEを発見するために、2段階適応法を導入する。
論文 参考訳（メタデータ） (2020-05-16T09:09:57Z) - Physics-informed learning of governing equations from scarce data [14.95055620484844]
本研究は, 偏微分方程式(PDE)を, 希少かつノイズの多い表現データから検出する物理インフォームド・ディープラーニング・フレームワークを提案する。
本手法の有効性とロバスト性は, 数値的にも実験的にも, 種々のPDEシステムの発見において実証される。
結果として得られる計算フレームワークは、実用的な応用における閉形式モデル発見の可能性を示している。
論文 参考訳（メタデータ） (2020-05-05T22:13:22Z) - Learning Stochastic Behaviour from Aggregate Data [52.012857267317784]
集約データから非線形ダイナミクスを学習することは、各個人の完全な軌道が利用できないため、難しい問題である。
本稿では,Fokker Planck Equation (FPE) の弱い形式を用いて,サンプル形式のデータの密度変化を記述する手法を提案する。
このようなサンプルベースのフレームワークでは、偏微分方程式(PDE)FPEを明示的に解くことなく、集約データから非線形ダイナミクスを学習することができる。
論文 参考訳（メタデータ） (2020-02-10T03:20:13Z)
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。