論文の概要: Efficient dynamic modal load reconstruction using physics-informed Gaussian processes based on frequency-sparse Fourier basis functions

• arxiv url: http://arxiv.org/abs/2503.09418v1
• Date: Wed, 12 Mar 2025 14:16:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:35:13.459264
• Title: Efficient dynamic modal load reconstruction using physics-informed Gaussian processes based on frequency-sparse Fourier basis functions
• Title（参考訳）: 周波数スパースフーリエ基底関数に基づく物理インフォームドガウス過程を用いた効率的な動的モーダル荷重再構成
• Authors: Gledson Rodrigo Tondo, Igor Kavrakov, Guido Morgenthal,
• Abstract要約: 本稿では,物理インフォームドガウス法(GP)を用いた効率的な動的負荷再構成法を提案する。 GPの共分散行列はシステム力学の記述を用いて構築され、構造応答測定を用いてモデルを訓練する。 開発されたモデルは, 構造的健康モニタリング, 損傷予後, 負荷モデル検証に応用できる可能性を秘めている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Knowledge of the force time history of a structure is essential to assess its behaviour, ensure safety and maintain reliability. However, direct measurement of external forces is often challenging due to sensor limitations, unknown force characteristics, or inaccessible load points. This paper presents an efficient dynamic load reconstruction method using physics-informed Gaussian processes (GP) based on frequency-sparse Fourier basis functions. The GP's covariance matrices are built using the description of the system dynamics, and the model is trained using structural response measurements. This provides support and interpretability to the machine learning model, in contrast to purely data-driven methods. In addition, the model filters out irrelevant components in the Fourier basis function by leveraging the sparsity of structural responses in the frequency domain, thereby reducing computational complexity during optimization. The trained model for structural responses is then integrated with the differential equation for a harmonic oscillator, creating a probabilistic dynamic load model that predicts load patterns without requiring force data during training. The model's effectiveness is validated through two case studies: a numerical model of a wind-excited 76-story building and an experiment using a physical scale model of the Lilleb{\ae}lt Bridge in Denmark, excited by a servo motor. For both cases, validation of the reconstructed forces is provided using comparison metrics for several signal properties. The developed model holds potential for applications in structural health monitoring, damage prognosis, and load model validation.
• Abstract（参考訳）: 構造物の力の時間履歴に関する知識は、その挙動を評価し、安全性を確保し、信頼性を維持するために不可欠である。 しかし、センサの限界、未知の力特性、または到達不能な負荷点により、外部力の直接測定は困難であることが多い。 本稿では、周波数スパースフーリエ基底関数に基づく物理インフォームドガウス過程(GP)を用いた効率的な動的負荷再構成法を提案する。 GPの共分散行列はシステム力学の記述を用いて構築され、構造応答測定を用いてモデルを訓練する。 これは純粋にデータ駆動の手法とは対照的に、機械学習モデルのサポートと解釈性を提供する。 さらに、周波数領域における構造応答の空間性を利用して、フーリエ基底関数の無関係成分をフィルタし、最適化時の計算複雑性を低減する。 構造応答のトレーニングされたモデルは、調和振動子の微分方程式と統合され、トレーニング中に力データを必要としない負荷パターンを予測する確率論的動的負荷モデルを生成する。 このモデルの有効性は、2つのケーススタディにより検証される: 風が吹く76階建ての建物の数値モデルと、サーボモーターによって励起されたデンマークのリーブ・フルト橋の物理的スケールモデルを用いた実験である。 どちらの場合も、いくつかの信号特性の比較指標を用いて再構成された力の検証を行う。 開発されたモデルは, 構造的健康モニタリング, 損傷予後, 負荷モデル検証に応用できる可能性を秘めている。

関連論文リスト

• Physics-integrated generative modeling using attentive planar normalizing flow based variational autoencoder [0.0]
  本研究の目的は,物理統合生成モデルにおける再構成の忠実さとノイズの改善である。 モデルに注入されたノイズに対する生成モデルのロバスト性を改善するため,正規化フローベースVAEのエンコーダ部分の変更を提案する。
  論文  参考訳（メタデータ） (2024-04-18T15:38:14Z)
• SIP: Injecting a Structural Inductive Bias into a Seq2Seq Model by Simulation [75.14793516745374]
  本稿では, 構造的帰納バイアスをセック2セックモデルに効率よく注入し, 合成データの構造的変換をシミュレートする方法について述べる。 実験の結果,本手法は所望の帰納バイアスを付与し,FSTのようなタスクに対してより優れた数発学習を実現することがわかった。
  論文  参考訳（メタデータ） (2023-10-01T21:19:12Z)
• A physics-informed machine learning model for reconstruction of dynamic loads [0.0]
  本稿では, 物理インフォームド・マシン・ラーニング・フレームワークを用いて, 測定された偏向, 速度, 加速度に基づいて動的力の再構成を行う。 このフレームワークは不完全で汚染されたデータを扱うことができ、ノイズ測定システムを考慮した自然な正規化手法を提供する。 開発されたフレームワークには、設計モデルと仮定、損傷検出と健康モニタリングを支援するための応答の予後が含まれる。
  論文  参考訳（メタデータ） (2023-08-15T18:33:58Z)
• 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)
• 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)
• 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)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Using scientific machine learning for experimental bifurcation analysis of dynamic systems [2.204918347869259]
  本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。 数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。 ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
  論文  参考訳（メタデータ） (2021-10-22T15:43:03Z)
• Data-driven Aerodynamic Analysis of Structures using Gaussian Processes [0.0]
  本稿では,橋梁に作用する非線形自励力のデータ駆動モデルを提案する。 このフレームワークは、CFD(Computational Fluid Dynamics)データに基づいて、合理化およびブラフブリッジデッキに適用される。 提案フレームワークのさらなる応用は,細線状構造物の設計とオンラインリアルタイム監視に期待できる。
  論文  参考訳（メタデータ） (2021-03-20T11:22:24Z)
• 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)
• A physics-informed operator regression framework for extracting data-driven continuum models [0.0]
  高忠実度分子シミュレーションデータから連続体モデルを発見するためのフレームワークを提案する。 提案手法は、モーダル空間における制御物理のニューラルネットワークパラメタライゼーションを適用する。 局所・非局所拡散過程や単相・多相流など,様々な物理分野におけるフレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2020-09-25T01:13:51Z)

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。