論文の概要: Equi-Euler GraphNet: An Equivariant, Temporal-Dynamics Informed Graph Neural Network for Dual Force and Trajectory Prediction in Multi-Body Systems

• arxiv url: http://arxiv.org/abs/2504.13768v3
• Date: Fri, 25 Apr 2025 15:07:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:52.610119
• Title: Equi-Euler GraphNet: An Equivariant, Temporal-Dynamics Informed Graph Neural Network for Dual Force and Trajectory Prediction in Multi-Body Systems
• Title（参考訳）: Equi-Euler GraphNet:多体系における二重力・軌道予測のための時変インフォームグラフニューラルネットワーク
• Authors: Vinay Sharma, Rémi Tanguy Oddon, Pietro Tesini, Jens Ravesloot, Cees Taal, Olga Fink,
• Abstract要約: 物理インフォームドグラフニューラルネットワーク(GNN)であるEqui-Euler GraphNetを提案する。 Equi-Euler GraphNetはトレーニングディストリビューションを超えて一般化され、目に見えない速度、負荷、設定の下でロードとトラジェクトリを正確に予測する。 トラジェクトリ予測に重点を置く最先端のGNNよりも優れており、エラーの蓄積を最小限に抑えながら、数千のタイムステップで安定したロールアウトを実現する。
• 参考スコア（独自算出の注目度）: 5.442686600296734
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate real-time modeling of multi-body dynamical systems is essential for enabling digital twin applications across industries. While many data-driven approaches aim to learn system dynamics, jointly predicting internal loads and system trajectories remains a key challenge. This dual prediction is especially important for fault detection and predictive maintenance, where internal loads-such as contact forces-act as early indicators of faults, reflecting wear or misalignment before affecting motion. These forces also serve as inputs to degradation models (e.g., crack growth), enabling damage prediction and remaining useful life estimation. We propose Equi-Euler GraphNet, a physics-informed graph neural network (GNN) that simultaneously predicts internal forces and global trajectories in multi-body systems. In this mesh-free framework, nodes represent system components and edges encode interactions. Equi-Euler GraphNet introduces two inductive biases: (1) an equivariant message-passing scheme, interpreting edge messages as interaction forces consistent under Euclidean transformations; and (2) a temporal-aware iterative node update mechanism, based on Euler integration, to capture influence of distant interactions over time. Tailored for cylindrical roller bearings, it decouples ring dynamics from constrained motion of rolling elements. Trained on high-fidelity multiphysics simulations, Equi-Euler GraphNet generalizes beyond the training distribution, accurately predicting loads and trajectories under unseen speeds, loads, and configurations. It outperforms state-of-the-art GNNs focused on trajectory prediction, delivering stable rollouts over thousands of time steps with minimal error accumulation. Achieving up to a 200x speedup over conventional solvers while maintaining comparable accuracy, it serves as an efficient reduced-order model for digital twins, design, and maintenance.
• Abstract（参考訳）: マルチボディ動的システムの正確なリアルタイムモデリングは、業界全体でデジタルツインアプリケーションを実現するために不可欠である。 データ駆動型アプローチの多くはシステムダイナミクスの学習を目標としているが、内部負荷とシステムトラジェクトリを共同で予測することは依然として重要な課題である。 この二重予測は、特に断層検出と予測保守において重要であり、内部荷重(接触力など)が断層の早期指標として作用し、動作に影響を与える前に摩耗や修正を反映する。 これらの力は、劣化モデル(例えば亀裂成長)への入力としても機能し、損傷予測と有用な寿命推定を可能にする。 物理インフォームドグラフニューラルネットワーク(GNN)であるEqui-Euler GraphNetを提案する。 このメッシュフリーフレームワークでは、ノードはシステムコンポーネントとエッジが相互作用をエンコードする。 Equi-Euler GraphNet では,(1) ユークリッド変換の下での相互作用力としてエッジメッセージを解釈する同変メッセージパッシング方式,(2) オイラー積分に基づく時間的認識反復ノード更新機構を導入し,時間的相互作用の影響を捉えている。 円筒状の転がり軸受を設計し、回転要素の拘束運動からリングダイナミクスを分離する。 高忠実度多物理シミュレーションに基づいて、Equi-Euler GraphNetはトレーニング分布を超えて一般化し、目に見えない速度、負荷、構成の下での負荷と軌道を正確に予測する。 トラジェクトリ予測に重点を置く最先端のGNNよりも優れており、エラーの蓄積を最小限に抑えながら、数千回のタイムステップで安定したロールアウトを実現する。 従来の解法よりも200倍のスピードアップを達成し、同等の精度を維持しながら、デジタルツイン、設計、メンテナンスのための効率的な低次モデルとして機能する。

関連論文リスト

• Dynami-CAL GraphNet: A Physics-Informed Graph Neural Network Conserving Linear and Angular Momentum for Dynamical Systems [7.59660604072964]
  Dynami-CAL GraphNetは、複雑な多体力学系の正確、解釈可能、リアルタイムモデリングを提供する。 基本的な保存法則に従う物理的に一貫性があり、スケーラブルな予測を提供する。 これは、異種相互作用と外部力の効率よく処理しながら、力とモーメントの推測を可能にする。
  論文  参考訳（メタデータ） (2025-01-13T14:41:56Z)
• Attention-based Dynamic Graph Convolutional Recurrent Neural Network for Traffic Flow Prediction in Highway Transportation [0.6650227510403052]
  高速道路交通における交通流予測を改善するために,注意に基づく動的グラフ畳み込みリカレントニューラルネットワーク(ADG-N)を提案する。 グラフ畳み込み演算のオーバーフィッティングを低減するために、高い相対ノードを強調する専用ゲートカーネルが完全なグラフ上に導入された。
  論文  参考訳（メタデータ） (2023-09-13T13:57:21Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• E($3$) Equivariant Graph Neural Networks for Particle-Based Fluid Mechanics [2.1401663582288144]
  等変グラフニューラルネットワークは、より正確な動的相互作用モデルを学ぶことができることを示した。 3次元崩壊するテイラー・グリーン渦と3次元逆ポアゼイユ流の2つのよく研究された流れ系をベンチマークした。
  論文  参考訳（メタデータ） (2023-03-31T21:56:35Z)
• Predicting fluid-structure interaction with graph neural networks [13.567118450260178]
  本稿では,流体-構造相互作用系の低次モデリングのための回転同変準モノリシックグラフニューラルネットワークフレームワークを提案する。 有限要素インスパイアされたハイパーグラフニューラルネットワークを用いて、システム全体の状態に基づいて流体状態の進化を予測する。 提案するフレームワークは,インターフェース記述をトラッキングし,少なくとも2000時間のロールアウト時に,安定かつ正確なシステム状態予測を提供する。
  論文  参考訳（メタデータ） (2022-10-09T07:42:23Z)
• 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)
• Equivariant Graph Mechanics Networks with Constraints [83.38709956935095]
  本稿では,グラフ力学ネットワーク(GMN)を提案する。 GMNは、一般化された座標により、構造体の前方運動学情報(位置と速度)を表す。 大規模な実験は、予測精度、制約満足度、データ効率の観点から、最先端のGNNと比較してGMNの利点を支持する。
  論文  参考訳（メタデータ） (2022-03-12T14:22:14Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Simulating Continuum Mechanics with Multi-Scale Graph Neural Networks [0.17205106391379021]
  非定常力学を学習するためのネットワークマルチスケールニューラルグラフモデルであるMultiScaleGNNを導入する。 提案モデルは,一様対流場から,テスト時間における複素領域上の高次場への一般化と,レイノルズ数の範囲内での長期ナビエ・ストークス解の推算を可能にする。
  論文  参考訳（メタデータ） (2021-06-09T08:37:38Z)
• Continuous-in-Depth Neural Networks [107.47887213490134]
  まず最初に、このリッチな意味では、ResNetsは意味のある動的でないことを示します。 次に、ニューラルネットワークモデルが連続力学系を表現することを実証する。 ResNetアーキテクチャの詳細な一般化としてContinuousNetを紹介します。
  論文  参考訳（メタデータ） (2020-08-05T22:54:09Z)

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。