論文の概要: DeepF-fNet: a physics-informed neural network for vibration isolation optimization

• arxiv url: http://arxiv.org/abs/2412.21132v1
• Date: Mon, 30 Dec 2024 18:08:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:03:49.314333
• Title: DeepF-fNet: a physics-informed neural network for vibration isolation optimization
• Title（参考訳）: DeepF-fNet:振動分離最適化のための物理インフォームニューラルネットワーク
• Authors: A. Tollardo, F. Cadini, M. Giglio, L. Lomazzi,
• Abstract要約: 本研究では、振動に基づく構造最適化において、従来のアクティブシステムを置き換えるように設計された新しいニューラルネットワークフレームワークであるDeepF-fNetを紹介する。 提案手法は,ユーザが定義した周波数範囲から構造を分離するための局所共振メタマテリアルを含むケーススタディを通じて検証される。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Structural optimization is essential for designing safe, efficient, and durable components with minimal material usage. Traditional methods for vibration control often rely on active systems to mitigate unpredictable vibrations, which may lead to resonance and potential structural failure. However, these methods face significant challenges when addressing the nonlinear inverse eigenvalue problems required for optimizing structures subjected to a wide range of frequencies. As a result, no existing approach has effectively addressed the need for real-time vibration suppression within this context, particularly in high-performance environments such as automotive noise, vibration and harshness, where computational efficiency is crucial. This study introduces DeepF-fNet, a novel neural network framework designed to replace traditional active systems in vibration-based structural optimization. Leveraging DeepONets within the context of physics-informed neural networks, DeepF-fNet integrates both data and the governing physical laws. This enables rapid identification of optimal parameters to suppress critical vibrations at specific frequencies, offering a more efficient and real-time alternative to conventional methods. The proposed framework is validated through a case study involving a locally resonant metamaterial used to isolate structures from user-defined frequency ranges. The results demonstrate that DeepF-fNet outperforms traditional genetic algorithms in terms of computational speed while achieving comparable results, making it a promising tool for vibration-sensitive applications. By replacing active systems with machine learning techniques, DeepF-fNet paves the way for more efficient and cost-effective structural optimization in real-world scenarios.
• Abstract（参考訳）: 構造最適化は、最小限の材料使用量で安全で効率的で耐久性の高いコンポーネントを設計するために不可欠である。 従来の振動制御法は、しばしば予測不可能な振動を緩和するためにアクティブなシステムに依存しており、共鳴や潜在的な構造的故障を引き起こす可能性がある。 しかし、これらの手法は、幅広い周波数を受ける構造を最適化するのに必要となる非線形逆固有値問題に対処する際、重大な課題に直面している。 その結果, 自動車騒音, 振動, 過酷さなど, 計算効率が重要となる高性能環境において, この状況下でのリアルタイム振動抑制の必要性を効果的に解決するアプローチは存在しない。 本研究では、振動に基づく構造最適化において、従来のアクティブシステムを置き換えるように設計された新しいニューラルネットワークフレームワークであるDeepF-fNetを紹介する。 物理インフォームドニューラルネットワークのコンテキスト内でDeepONetsを活用することで、DeepF-fNetはデータと物理法則の両方を統合する。 これにより、最適なパラメータを迅速に同定し、特定の周波数における臨界振動を抑えることができ、従来の方法よりも効率的でリアルタイムな代替手段を提供する。 提案手法は,ユーザが定義した周波数範囲から構造を分離するための局所共振メタマテリアルを含むケーススタディを通じて検証される。 その結果、DeepF-fNetは計算速度の点で従来の遺伝的アルゴリズムよりも優れており、振動に敏感なアプリケーションには有望なツールであることがわかった。 DeepF-fNetは、アクティブなシステムを機械学習技術に置き換えることで、現実世界のシナリオにおいてより効率的でコスト効率の良い構造最適化を実現する。

関連論文リスト

• HADL Framework for Noise Resilient Long-Term Time Series Forecasting [0.7810572107832383]
  長期の時系列予測は、金融、経済、エネルギーといった分野において重要である。 拡張されたルックバックウィンドウにおける時間ノイズの影響は未調査であり、しばしばモデル性能と計算効率を劣化させる。 本稿では、離散ウェーブレット変換(DWT)と離散コサイン変換(DCT)を統合することで、これらの課題に対処する新しいフレームワークを提案する。 提案手法は,ノイズの多い入力に対する競合堅牢性を示し,計算複雑性を著しく低減し,多様なベンチマークデータセット間での競合性ないし最先端の予測性能を実現する。
  論文  参考訳（メタデータ） (2025-02-14T21:41:42Z)
• Explicit and Implicit Graduated Optimization in Deep Neural Networks [0.6906005491572401]
  本稿では,最適雑音スケジューリングを用いた明示的な累積最適化アルゴリズムの性能を実験的に評価する。 さらに、ResNetアーキテクチャを用いた画像分類タスクの実験を通じて、その効果を実証する。
  論文  参考訳（メタデータ） (2024-12-16T07:23:22Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Multiscale lubrication simulation based on fourier feature networks with trainable frequency [3.152606467542819]
  この研究は、トレーニング可能なフーリエ機能ネットワークを利用する、新しいマルチスケール潤滑ニューラルネットワークアーキテクチャを導入する。 学習可能な特徴埋め込み周波数を組み込むことで、このアーキテクチャは様々な周波数成分に自動的に適応し、粗面特性の分析を強化する。
  論文  参考訳（メタデータ） (2024-05-21T09:41:56Z)
• Fast Window-Based Event Denoising with Spatiotemporal Correlation Enhancement [85.66867277156089]
  同時にイベントのスタックを扱うウィンドウベースのイベントデノゲーションを提案する。 空間領域では、実世界の事象と雑音を識別するために、最大後部(MAP)を選択する。 我々のアルゴリズムは、イベントノイズを効果的かつ効率的に除去し、下流タスクの性能を向上させることができる。
  論文  参考訳（メタデータ） (2024-02-14T15:56:42Z)
• Neural Harmonium: An Interpretable Deep Structure for Nonlinear Dynamic System Identification with Application to Audio Processing [4.599180419117645]
  解釈可能性(Interpretability)は、モデルを一般化し、その限界を明らかにする能力を理解するのに役立ちます。 本稿では,動的システムモデリングのための因果解釈可能な深部構造を提案する。 提案モデルは,時間周波数領域におけるシステムモデリングによる調和解析を利用する。
  論文  参考訳（メタデータ） (2023-10-10T21:32:15Z)
• Learning to Predict Structural Vibrations [2.4746345679821617]
  飛行機、車、家屋などの機械構造では、騒音が発生し振動によって伝達される。 ディープラーニングサロゲートモデルは古典的な数値シミュレーションの代替として有望である。 本稿では,高調波励起板の振動予測に関するベンチマークを示す。
  論文  参考訳（メタデータ） (2023-10-09T07:26:35Z)
• Properties and Potential Applications of Random Functional-Linked Types of Neural Networks [81.56822938033119]
  ランダム関数リンクニューラルネットワーク(RFLNN)は、深い構造を学習する別の方法を提供する。 本稿では周波数領域の観点からRFLNNの特性について考察する。 本稿では,より優れた性能でBLSネットワークを生成する手法を提案し,ポゾン方程式を解くための効率的なアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-04-03T13:25:22Z)
• Functional Regularization for Reinforcement Learning via Learned Fourier Features [98.90474131452588]
  本稿では、入力を学習されたフーリエベースに埋め込むことにより、深層強化学習のための簡単なアーキテクチャを提案する。 その結果、状態ベースと画像ベースの両方のRLのサンプル効率が向上することがわかった。
  論文  参考訳（メタデータ） (2021-12-06T18:59:52Z)
• Ps and Qs: Quantization-aware pruning for efficient low latency neural network inference [56.24109486973292]
  超低遅延アプリケーションのためのニューラルネットワークのトレーニング中の分級と量子化の相互作用を研究します。 量子化アウェアプルーニングは,タスクのプルーニングや量子化のみよりも計算効率のよいモデルであることが判明した。
  論文  参考訳（メタデータ） (2021-02-22T19:00:05Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。