論文の概要: First-order friction models with bristle dynamics: lumped and distributed formulations

• arxiv url: http://arxiv.org/abs/2602.09429v2
• Date: Wed, 11 Feb 2026 13:17:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.315218
• Title: First-order friction models with bristle dynamics: lumped and distributed formulations
• Title（参考訳）: ブリストル力学を持つ一階摩擦モデル:ラッピングおよび分散定式化
• Authors: Luigi Romano, Ole Morten Aamo, Jan Åslund, Erik Frisk,
• Abstract要約: 本稿では、摩擦特性を反転させることにより、ブリストル要素の力学を近似する一階動的摩擦モデルについて紹介する。 LuGreモデルによく似た特定の定式化は、ブリストル要素に対する単純なレオロジー方程式を用いて導出される。 双曲偏微分方程式 (PDE) として定式化された分散バージョンを提示し, 転がり接触現象でよく発生する摩擦過程のモデル化を可能にする。
• 参考スコア（独自算出の注目度）: 1.453612836743437
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic models, particularly rate-dependent models, have proven effective in capturing the key phenomenological features of frictional processes, whilst also possessing important mathematical properties that facilitate the design of control and estimation algorithms. However, many rate-dependent formulations are built on empirical considerations, whereas physical derivations may offer greater interpretability. In this context, starting from fundamental physical principles, this paper introduces a novel class of first-order dynamic friction models that approximate the dynamics of a bristle element by inverting the friction characteristic. Amongst the developed models, a specific formulation closely resembling the LuGre model is derived using a simple rheological equation for the bristle element. This model is rigorously analyzed in terms of stability and passivity -- important properties that support the synthesis of observers and controllers. Furthermore, a distributed version, formulated as a hyperbolic partial differential equation (PDE), is presented, which enables the modeling of frictional processes commonly encountered in rolling contact phenomena. The tribological behavior of the proposed description is evaluated through classical experiments and validated against the response predicted by the LuGre model, revealing both notable similarities and key differences.
• Abstract（参考訳）: 動的モデル、特に速度依存モデル(英語版)は摩擦過程の重要な現象学的特徴を捉えるのに有効であることが証明され、一方で制御と推定アルゴリズムの設計を促進する重要な数学的特性も持っている。 しかし、多くの速度依存的な定式化は経験的考察に基づいて構築されるが、物理的導出は解釈可能性を高めることができる。 この文脈では、基本的な物理原理から、摩擦特性を反転させることによりブリッスル要素の力学を近似する一階動的摩擦モデルを導入する。 開発されたモデルのうち、LuGreモデルによく似た特定の定式化は、ブリストル要素に対する単純なレオロジー方程式を用いて導出される。 このモデルは、オブザーバとコントローラの合成をサポートする重要な特性である安定性と通過率の観点から厳密に分析される。 さらに、双曲偏微分方程式(PDE)として定式化された分散バージョンを提示し、転がり接触現象でよく発生する摩擦過程のモデリングを可能にする。 提案した記述のトライボロジー的挙動は古典的な実験によって評価され,LuGreモデルによって予測される応答に対して検証され,顕著な類似点と重要な相違点の両方が明らかになった。

関連論文リスト

• GIMLET: Generalizable and Interpretable Model Learning through Embedded Thermodynamics [4.032628442222966]
  我々は流体流動モデルとスカラー輸送モデルの関係を発見するためのデータ駆動型フレームワークを開発した。 速度および/またはスカラー場が測定されるという仮定の下で、我々はニューラルネットワークとして支配方程式における未知の閉包項を推論する。 このフレームワークは、バーガース方程式、倉本-シヴァシンスキー方程式、ニュートン流体と非ニュートン流体の非圧縮性ナビエ-ストークス方程式など、いくつかのベンチマークシステムで実証されている。
  論文  参考訳（メタデータ） (2025-12-22T23:50:17Z)
• Models of Heavy-Tailed Mechanistic Universality [62.107333654304014]
  トレーニングニューラルネットワークにおける重み付け行動を引き起こす属性を探索するために,ランダム行列モデルのファミリーを提案する。 このモデルの下では、3つの独立した因子の組み合わせによって、尾翼の電力法則によるスペクトル密度が生じる。 ニューラルネットワークトレーニングの5段階以上において、ニューラルネットワークのスケーリング法則、軌道、および5段階以上の位相を含む重尾の出現に対する我々のモデルの影響について論じる。
  論文  参考訳（メタデータ） (2025-06-04T00:55:01Z)
• Physics-aware generative models for turbulent fluid flows through energy-consistent stochastic interpolants [0.0]
  生成モデルは、テキスト、画像、ビデオなどの領域で顕著な成功を収めている。 本研究では, 生成モデルの流体力学への応用, 特に乱流シミュレーションについて検討する。 本稿では,物理制約を取り入れつつ確率的予測を可能にする補間子に基づく新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-08T09:29:01Z)
• Finding the Underlying Viscoelastic Constitutive Equation via Universal Differential Equations and Differentiable Physics [1.03121181235382]
  本研究は、微分物理学と粘弾性流体を併用した普遍微分方程式(UDE)を用いる。 本研究は, 上対流マックスウェル (UCM) , ジョンソン・セガルマン (Johnson-Segalman) , ギーゼクス (Giesekus) および指数パン・テン・タンナー (Exponential Phan-Thien-Tanner, ePTT) の4つの粘弾性モデルの解析に焦点をあてる。
  論文  参考訳（メタデータ） (2024-12-31T17:34:29Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Sequential Representation Learning via Static-Dynamic Conditional Disentanglement [58.19137637859017]
  本稿では,ビデオ中の時間非依存要因と時間変化要因を分離することに着目し,逐次的データ内での自己教師付き不整合表現学習について検討する。 本稿では,静的/動的変数間の因果関係を明示的に考慮し,それらの因子間の通常の独立性仮定を破る新しいモデルを提案する。 実験により、提案手法は、シーンのダイナミックスが内容に影響されるシナリオにおいて、従来の複雑な最先端技術よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-10T17:04:39Z)
• Neural Persistence Dynamics [8.197801260302642]
  時間発展する点雲のトポロジにおける力学を学習する問題を考察する。 提案したモデル - $textitNeural Persistence Dynamics$ - は、パラメータ回帰タスクの多種多様なセットで最先端のパフォーマンスを大幅に上回る。
  論文  参考訳（メタデータ） (2024-05-24T17:20:18Z)
• 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)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)

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。