論文の概要: A-PINN: Auxiliary Physics-informed Neural Networks for Structural Vibration Analysis in Continuous Euler-Bernoulli Beam

• arxiv url: http://arxiv.org/abs/2601.00866v1
• Date: Tue, 30 Dec 2025 13:16:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.805661
• Title: A-PINN: Auxiliary Physics-informed Neural Networks for Structural Vibration Analysis in Continuous Euler-Bernoulli Beam
• Title（参考訳）: A-PINN:連続Euler-Bernoulliビームの構造振動解析のための補助物理インフォームニューラルネットワーク
• Authors: Shivani Saini, Ramesh Kumar Vats, Arup Kumar Sahoo,
• Abstract要約: 構造振動問題の解析のために物理インフォームドニューラルネットワーク (A-PINN) を提案する。 我々のモデルは、ベースラインよりも少なくとも40%改善している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent advancements in physics-informed neural networks (PINNs) and their variants have garnered substantial focus from researchers due to their effectiveness in solving both forward and inverse problems governed by differential equations. In this research, a modified Auxiliary physics-informed neural network (A-PINN) framework with balanced adaptive optimizers is proposed for the analysis of structural vibration problems. In order to accurately represent structural systems, it is critical for capturing vibration phenomena and ensuring reliable predictive analysis. So, our investigations are crucial for gaining deeper insight into the robustness of scientific machine learning models for solving vibration problems. Further, to rigorously evaluate the performance of A-PINN, we conducted different numerical simulations to approximate the Euler-Bernoulli beam equations under the various scenarios. The numerical results substantiate the enhanced performance of our model in terms of both numerical stability and predictive accuracy. Our model shows improvement of at least 40% over the baselines.
• Abstract（参考訳）: 物理学インフォームドニューラルネットワーク(PINN)の最近の進歩とその変種は、微分方程式によって支配される前方および逆問題の解法の有効性から、研究者からかなり注目されている。 本研究では, 構造振動問題の解析のために, 平衡適応最適化器を用いたA-PINN (Auxiliary Physics-informed Neural Network) フレームワークを提案する。 構造系を正確に表現するためには, 振動現象を捕捉し, 信頼性の高い予測解析を行うことが重要である。 したがって、振動問題を解決するための科学的機械学習モデルの堅牢性について、より深い知見を得るためには、我々の調査が不可欠である。 さらに、A-PINNの性能を厳密に評価するために、様々なシナリオ下でオイラー・ベルヌーリビーム方程式を近似するために、異なる数値シミュレーションを行った。 その結果, 数値安定性と予測精度の両方の観点から, モデルの性能向上を実証した。 我々のモデルは、ベースラインよりも少なくとも40%改善している。

関連論文リスト

• Numerical analysis of physics-informed neural networks and related models in physics-informed machine learning [18.1180892910779]
  物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式の前方および逆問題の数値シミュレーションのアルゴリズムとして近年広く普及している。 PINNによるPDEの近似における誤差の様々な成分の分析を効果的に行うことができる統一的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-01-30T10:43:27Z)
• On the uncertainty analysis of the data-enabled physics-informed neural network for solving neutron diffusion eigenvalue problem [4.0275959184316825]
  いくつかの観点から中性子拡散固有値問題の計算におけるDEPINNの性能について検討する。 ノイズの影響を低減し,ノイズ先行データの利用を改善するために,革新的な区間損失関数を提案する。 本稿では, 原子炉物理の実用化に向けた改良型DEPINNの実現可能性を確認する。
  論文  参考訳（メタデータ） (2023-03-15T08:59:03Z)
• AttNS: Attention-Inspired Numerical Solving For Limited Data Scenarios [51.94807626839365]
  限定データによる微分方程式の解法として,注目型数値解法(AttNS)を提案する。 AttNSは、モデル一般化とロバスト性の向上におけるResidual Neural Networks(ResNet)のアテンションモジュールの効果にインスパイアされている。
  論文  参考訳（メタデータ） (2023-02-05T01:39:21Z)
• Momentum Diminishes the Effect of Spectral Bias in Physics-Informed Neural Networks [72.09574528342732]
  物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。 彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。 本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
  論文  参考訳（メタデータ） (2022-06-29T19:03:10Z)
• Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
  偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。 本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。 動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
  論文  参考訳（メタデータ） (2022-04-13T08:53:41Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)
• A deep learning framework for solution and discovery in solid mechanics [1.4699455652461721]
  本稿では,物理情報ニューラルネットワーク(PINN)と呼ばれるディープラーニングのクラスを,固体力学の学習と発見に応用する。 本稿では, 運動量バランスと弾性の関係をPINNに組み込む方法について解説し, 線形弾性への応用について詳細に検討する。
  論文  参考訳（メタデータ） (2020-02-14T08:24:53Z)

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。