論文の概要: Structural System Identification via Validation and Adaptation

• arxiv url: http://arxiv.org/abs/2506.20799v1
• Date: Wed, 25 Jun 2025 19:43:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:09.868903
• Title: Structural System Identification via Validation and Adaptation
• Title（参考訳）: 検証と適応による構造系同定
• Authors: Cristian López, Keegan J. Moore,
• Abstract要約: 構造システム同定(SI)のための新しい手法を提案する。 生成モデリングフレームワークにインスパイアされたニューラルネットワークは、ランダムノイズを物理的に意味のあるパラメータにマッピングする。 これらのパラメータは、既知の運動方程式で偽の加速を得るために使用される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Estimating the governing equation parameter values is essential for integrating experimental data with scientific theory to understand, validate, and predict the dynamics of complex systems. In this work, we propose a new method for structural system identification (SI), uncertainty quantification, and validation directly from data. Inspired by generative modeling frameworks, a neural network maps random noise to physically meaningful parameters. These parameters are then used in the known equation of motion to obtain fake accelerations, which are compared to real training data via a mean square error loss. To simultaneously validate the learned parameters, we use independent validation datasets. The generated accelerations from these datasets are evaluated by a discriminator network, which determines whether the output is real or fake, and guides the parameter-generator network. Analytical and real experiments show the parameter estimation accuracy and model validation for different nonlinear structural systems.
• Abstract（参考訳）: 複雑なシステムの力学を理解し、検証し、予測するために、実験データと科学理論を統合するためには、支配方程式パラメータ値の推定が不可欠である。 本研究では,構造系同定(SI),不確実性定量化,データから直接検証を行う新しい手法を提案する。 生成モデリングフレームワークにインスパイアされたニューラルネットワークは、ランダムノイズを物理的に意味のあるパラメータにマッピングする。 これらのパラメータは、既知の運動方程式で偽の加速度を得るために使用され、これは平均二乗誤差損失によって実際のトレーニングデータと比較される。 学習したパラメータを同時に検証するために、独立した検証データセットを使用する。 これらのデータセットから生成された加速度は判別器ネットワークによって評価され、出力が本物か偽かを決定し、パラメータ生成器ネットワークを誘導する。 解析および実実験は、異なる非線形構造系に対するパラメータ推定精度とモデル検証を示す。

関連論文リスト

• Reconstruction and Prediction of Volterra Integral Equations Driven by Gaussian Noise [5.5712763695008105]
  本研究は、ガウス雑音によって駆動されるボルテラ積分方程式におけるパラメータ同定問題、あるいは方程式再構成問題に対処する。 本稿では,これらの方程式のドリフト項における未知パラメータを推定するための改良されたディープニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-01T09:54:50Z)
• Response Estimation and System Identification of Dynamical Systems via Physics-Informed Neural Networks [0.0]
  本稿では,物理インフォームドニューラルネットワーク(PINN)を用いた力学系の同定と推定について検討する。 PINNは、既知の物理法則をニューラルネットワークの損失関数に直接埋め込むことによって、複雑な現象の単純な埋め込みを可能にするユニークな利点を提供する。 その結果、PINNは上記のすべてのタスクに対して、たとえモデルエラーがあっても、効率的なツールを提供することを示した。
  論文  参考訳（メタデータ） (2024-10-02T08:58:30Z)
• Identification For Control Based on Neural Networks: Approximately Linearizable Models [42.15267357325546]
  本研究では,非線形システムの効率的な制御設計と安定性解析のための制御指向同定手法を提案する。 ニューラルネットワークは離散時間非線形状態空間モデルを特定し、時間領域の入力出力挙動を近似する。 ネットワークは、同定されたモデルがフィードバックによってほぼ線形化可能であるように構成され、制御則が学習段階から自明に従うことを保証する。
  論文  参考訳（メタデータ） (2024-09-24T08:31:22Z)
• Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
  パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。 深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。 本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-06T10:02:49Z)
• Physics-Informed Neural Networks for Material Model Calibration from Full-Field Displacement Data [0.0]
  本研究では,実環境下でのフルフィールド変位と大域力データからモデルのキャリブレーションを行うためのPINNを提案する。 拡張PINNは、実験的な1次元データと合成フルフィールド変位データの両方から材料パラメータを識別できることを実証した。
  論文  参考訳（メタデータ） (2022-12-15T11:01:32Z)
• A Causality-Based Learning Approach for Discovering the Underlying Dynamics of Complex Systems from Partial Observations with Stochastic Parameterization [1.2882319878552302]
  本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。 モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。 数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
  論文  参考訳（メタデータ） (2022-08-19T00:35:03Z)
• 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)

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。