論文の概要: Equation-Free Digital Twins for Nonlinear Structural Dynamics
- arxiv url: http://arxiv.org/abs/2605.00950v1
- Date: Fri, 01 May 2026 11:12:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:49.506104
- Title: Equation-Free Digital Twins for Nonlinear Structural Dynamics
- Title（参考訳）: 非線形構造ダイナミクスのための方程式自由電子双対
- Authors: Mohammad Mahdi Abaei, Ahmad BahooToroody, Arttu Polojärvi, Heikki Remes, Ulf Tyge Tygesen, Mikko Suominen, Michael Beer,
- Abstract要約: 本稿では、Koopman演算子理論、Hankel-matrix埋め込み、動的モード分解に基づくランク最適化デジタルツインフレームワークを提案する。
この枠組みはNREL 5MWのスパルブイ浮揚風力タービンで検証されている。
転がり水平仮想センシング戦略は, 臨界ホットスポットにおける高忠実度再構成を実現する。
- 参考スコア（独自算出の注目度）: 2.1038295489048977
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Monitoring high-dimensional engineering structures in extreme environments is limited by non-stationary excitation, nonlinear structural kinematics, and stochastic forcing. Traditional model-based and black-box data-driven methods often struggle to resolve these dynamics in real time, particularly under sensor failure or partial observability. This paper introduces a rank-optimized digital twin framework based on Koopman operator theory, Hankel-matrix embeddings, and dynamic mode decomposition. By lifting operational data into a linear invariant subspace, the method enables autonomous, input-blind reconstruction of structural states without requiring a priori mass or stiffness matrices. The framework is validated on an NREL 5MW spar-buoy floating offshore wind turbine, representing a challenging coupled aero-hydro-servo-elastic system. Results show that the rank-optimized Koopman-Hankel manifold separates structural resonances from deterministic 3P rotor harmonics under colored noise, where standard subspace identification can be unreliable. A rolling-horizon virtual sensing strategy achieves high-fidelity reconstruction at critical structural hotspots, with coefficient of determination greater than 0.95 at 1 Hz data assimilation and accuracy exceeding 0.99 at higher sampling rates. By estimating a physical Lyapunov time of approximately 1.0 s, the study defines the predictability horizon associated with the system information barrier. The proposed framework provides a computationally efficient and resilient digital twin approach for real-time identification and virtual sensing of complex structural dynamics.
- Abstract（参考訳）: 極端環境における高次元工学構造のモニタリングは、非定常励起、非線形構造運動学、確率的強制によって制限される。
従来のモデルベースとブラックボックスのデータ駆動方式は、特にセンサーの故障や部分観測可能性の下で、これらのダイナミクスをリアルタイムで解決するのに苦労することが多い。
本稿では、Koopman演算子理論、Hankel-matrix埋め込み、動的モード分解に基づくランク最適化デジタルツインフレームワークを提案する。
演算データを線形不変部分空間に持ち上げることにより、事前質量や剛性行列を必要とせずに、構造状態の自律的、入出力の再構築を可能にする。
この枠組みは、NREL 5MW のスパルブイ浮揚風力タービンで検証され、空中-水-水-弾性系の挑戦的な結合を表現している。
その結果、階数最適化されたクープマン・ハンケル多様体は、標準部分空間同定が信頼できない色雑音下での決定論的3Pローター高調波から構造共鳴を分離することを示した。
ローリングホライゾン仮想センシング戦略は、1Hzのデータ同化における0.95以上の決定係数と高いサンプリングレートにおける0.99以上の精度で、臨界構造ホットスポットにおける高忠実度再構成を実現する。
約1.0秒の物理的リアプノフ時間を推定することにより、システム情報バリアに関連する予測可能性の地平を定義する。
提案フレームワークは,複雑な構造力学のリアルタイム同定と仮想センシングのための,計算効率が高くレジリエントなディジタルツイン手法を提供する。
関連論文リスト
- SOLIS: Physics-Informed Learning of Interpretable Neural Surrogates for Nonlinear Systems [6.5745172279769255]
textbfSOLISは、状態条件付き2階代理モデルを介して未知のダイナミクスをモデル化する
textbfLocal Physics Hintsウィンドウ付きリッジ回帰アンカーは最適化の崩壊を緩和する。
ベンチマークの実験では、標準逆メソッドが失敗するレギュレーションを含むスパースデータから正確なパラメータ・マニフォールド・リカバリとコヒーレントな物理ロールアウトが示されている。
論文 参考訳（メタデータ） (2026-04-16T11:12:36Z) - A machine learning framework for uncovering stochastic nonlinear dynamics from noisy data [35.634572760830764]
ノイズはシステムパラメータの推測に影響を与え、データからダイナミクスを無視する。
我々は,システムパラメータの不確実性を同時に推論しながら,支配方程式の記号形式を復元するハイブリッドな記号的回帰確率型機械学習フレームワークを開発した。
このフレームワークはデータ効率が良く、100～1000個のデータポイントしか必要とせず、ノイズに強い。
論文 参考訳（メタデータ） (2026-04-07T16:59:40Z) - KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra [65.11254608352982]
生成元をベースとしたニューラル・クープマン・フレームワークを導入し,構造的かつ状態に依存したクープマン・ジェネレータの表現を通じて動的にモデル化する。
固有のカルテス分解をスキュー結合および自己結合成分に利用することにより、KoopGenは可逆的な散逸から保守的な輸送を分離する。
論文 参考訳（メタデータ） (2026-02-15T06:32:23Z) - Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization [49.34452620841728]
本稿では, ソフト材料の動的挙動を捉えるために, 分数次微分方程式(FODE)に基づく革新的なモデリング手法を提案する。
提案手法は,ソフトアクチュエータに固有の複雑な変形現象を効果的に表現する。
論文 参考訳（メタデータ） (2025-12-20T04:46:25Z) - Physically Interpretable Representation Learning with Gaussian Mixture Variational AutoEncoder (GM-VAE) [37.18249990338269]
本研究では,高次元科学的データから物理的に解釈可能な表現を抽出するための変分オートエンコーダ(GM-VAE)フレームワークを提案する。
再建とクラスタリングを協調的に最適化する従来のVAEとは異なり,本手法はブロック座標降下戦略を利用する。
学習した表現を客観的に評価するために,グラフ-ラプラシアン滑らか度に基づく計量を導入し,潜在多様体全体の物理的不安定性のコヒーレンスを測定する。
論文 参考訳（メタデータ） (2025-11-26T20:04:38Z) - Randomized Space-Time Sampling for Affine Graph Dynamical Systems [3.8379346559198235]
我々は、初期状態とソース項の両方が帯域制限されたグラフ上の線形力学系に従って時間とともに進化する信号を考える。
2つのランダムな時空サンプリング方式を導入し、安定回復が可能な条件を解析する。
論文 参考訳（メタデータ） (2025-09-20T21:43:05Z) - Physically Interpretable Representation and Controlled Generation for Turbulence Data [39.42376941186934]
本稿では,高次元科学的データを低次元,物理的に意味のある表現に符号化するデータ駆動型手法を提案する。
レイノルズ数の範囲を越えるシリンダーを過ぎる流れの2次元ナビエ・ストークスシミュレーションを用いて,本手法の有効性を検証した。
論文 参考訳（メタデータ） (2025-01-31T17:51:14Z) - Data-driven Nonlinear Parametric Model Order Reduction Framework using
Deep Hierarchical Variational Autoencoder [5.521324490427243]
深層ニューラルネットワークを用いたデータ駆動パラメトリックモデルオーダー削減(MOR)手法を提案する。
LSH-VAEは、非線形力学系のパラメトリックに対して、かなりの数の自由度で非線形MORを実行することができる。
論文 参考訳（メタデータ） (2023-07-10T02:44:53Z) - 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) - Deep Learning for Stability Analysis of a Freely Vibrating Sphere at
Moderate Reynolds Number [0.0]
本稿では,非定常な3次元流体構造相互作用系の安定性予測のための深層学習に基づくリダクションオーダーモデル(DL-ROM)を提案する。
提案したDL-ROMは非線形状態空間モデルの形式を持ち、長い短期記憶を持つリカレントニューラルネットワーク(LSTM)を用いる。
LSTMネットワークを固有系実現アルゴリズム (ERA) と統合することにより、低次安定性解析のためのデータ駆動状態空間モデルを構築する。
論文 参考訳（メタデータ） (2021-12-18T06:41:02Z)
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。