論文の概要: Energy-Based Physics-Informed Form Finding for Clustered Tensegrity Structures
- arxiv url: http://arxiv.org/abs/2607.12888v1
- Date: Tue, 14 Jul 2026 15:32:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:30.195359
- Title: Energy-Based Physics-Informed Form Finding for Clustered Tensegrity Structures
- Title（参考訳）: エネルギー系物理インフォーム法によるクラスター張力構造の解析
- Abstract要約: テンセグリティ・フォームフィニングと物理特性予測は構造力学における基本的な逆問題である。
本稿では, クラスター型引張形探索と物理特性予測のためのエネルギーベース学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 33.52984112921709
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tensegrity form-finding and physical property prediction are fundamental inverse problems in structural mechanics, which aim to determine equilibrium configurations and internal force distributions. These problems are challenging due to strong nonlinearity arising from the coupling between geometry and forces, the need to ensure structural stability, and the enforcement of constraints such as boundary conditions and symmetry. Moreover, traditional methods often lack robustness to noise and outliers. This paper proposes an energy-based learning framework for clustered tensegrity form finding and physical property prediction. The proposed approach incorporates total potential energy minimization and constitutive relations into the training objective, enabling the simultaneous prediction of equilibrium nodal configurations and associated physical quantities, including member forces and force densities. By incorporating energy-based physical losses directly into the learning process, the framework improves physical consistency, robustness, and data efficiency. Numerical experiments on tensegrity structures, including prism and lander systems, show the great potential of the proposed approach and demonstrate its capability for scalable form finding and accurate prediction of structural properties.
- Abstract（参考訳）: テンセグリティ・フォームフィニングと物理特性予測は、平衡配置と内部力分布を決定することを目的とした構造力学における基本的な逆問題である。
これらの問題は、幾何学と力の結合による強い非線形性、構造的安定性の確保の必要性、境界条件や対称性のような制約の実施などによって困難である。
さらに、従来の手法は、しばしばノイズや外れ値に対する堅牢性に欠ける。
本稿では, クラスター型引張形探索と物理特性予測のためのエネルギーベース学習フレームワークを提案する。
提案手法は、全ポテンシャルエネルギーの最小化と構成的関係を訓練目的に組み込んだもので、平衡ノルダール配置と、部材力や力密度を含む関連する物理量の同時予測を可能にする。
学習プロセスに直接エネルギーベースの物理的損失を組み込むことで、このフレームワークは物理的な一貫性、堅牢性、データ効率を改善する。
プリズムやランダーシステムを含む引張構造に関する数値実験は,提案手法の大きな可能性を示し,その拡張可能な形状探索と構造特性の正確な予測能力を示す。
関連論文リスト
- Generalized Neural Operator for Parametric and Boundary-Value Problems [39.8019405552335]
現在のディープラーニングアプローチは、条件に依存しないデプロイメントと物理的忠実さの間の構造的なトレードオフに直面しています。
本フレームワークは,PDEパラメータと境界条件を明示的に条件付けすることの理論的利点を実証する。
論文 参考訳（メタデータ） (2026-07-24T03:10:32Z) - Mesh Field Theory: Port-Hamiltonian Formulation of Mesh-Based Physics [5.4806374384787695]
MeshFT-Netは、メッシュベースの連続体物理学のための構造保存フレームワークである。
物理の位相構造と計量構造をきれいに分離する。
非物理的自由度を排除し、メートル法に依存した構造のみを学ぶことで、MeshFTは安定的で忠実で、データ効率の学習に基づく物理シミュレーションのための原則化された帰納バイアスを提供する。
論文 参考訳（メタデータ） (2026-05-01T04:35:21Z) - Physics-Consistent Neural Networks for Learning Deformation and Director Fields in Microstructured Media with Loss-Based Validation Criteria [0.0]
マイクロ構造を有する固体のメカニカルな挙動を, 単一ユニット・ディレクタを用いたフレームワークCosseratを用いて検討した。
変形に基づく弾性の定式化と、全ポテンシャルエネルギーを直接最小化するニューラルネットワークに基づく運動学という2つの計算手法を開発した。
論文 参考訳（メタデータ） (2026-03-06T23:19:41Z) - PhysDrape: Learning Explicit Forces and Collision Constraints for Physically Realistic Garment Draping [4.854753036255255]
伝統的な物理学に基づくシミュレーション(PBS)の代替として、ディープラーニングに基づく衣服のドラッピングが出現している。
本稿では,明示的な力と制約によって引き起こされる身体的リアルな衣服ドレープのためのハイブリッドニューラルネットワーク物理解法であるPhysDrapeについて述べる。
この差別化可能な設計は、明示的な制約によって物理的な妥当性を保証すると同時に、エンドツーエンドの学習により、物理的に一貫した予測のためにネットワークを最適化することができる。
論文 参考訳（メタデータ） (2026-02-08T15:46:01Z) - Simulation-free Structure Learning for Stochastic Dynamics [39.468930729022546]
本研究では,物理系の構造と人口動態を共同で学習するための,新しいシミュレーション不要な手法であるStructureFlowを提案する。
本研究では,StructureFlowが,条件付き人口動態を同時にモデル化しながら,基礎となるシステムの構造を学習可能であることを示す。
論文 参考訳（メタデータ） (2025-10-18T22:31:39Z) - Physics-guided impact localisation and force estimation in composite plates with uncertainty quantification [2.526146573337397]
本稿では,複合板の衝撃局部化と力推定のためのハイブリッドフレームワークを提案する。
これは、一階せん断変形理論(FSDT)のデータ駆動実装と機械学習と不確実性定量化を組み合わせたものである。
提案手法は, 複合空気構造物における衝撃モニタリングと構造的健康管理のために, スケーラブルで伝達可能なソリューションを提供する。
論文 参考訳（メタデータ） (2025-07-13T16:17:25Z) - Tight Stability, Convergence, and Robustness Bounds for Predictive Coding Networks [60.3634789164648]
予測符号化(PC)のようなエネルギーベースの学習アルゴリズムは、機械学習コミュニティにおいて大きな注目を集めている。
動的システム理論のレンズを用いて,PCの安定性,堅牢性,収束性を厳密に解析する。
論文 参考訳（メタデータ） (2024-10-07T02:57:26Z) - Compositional Structures in Neural Embedding and Interaction Decompositions [101.40245125955306]
ニューラルネットワークにおけるベクトル埋め込みにおける線形代数構造間の基本的な対応について述べる。
相互作用分解」の観点から構成構造の特徴づけを導入する。
モデルの表現の中にそのような構造が存在するためには、必要かつ十分な条件を確立する。
論文 参考訳（メタデータ） (2024-07-12T02:39:50Z) - Form-Finding and Physical Property Predictions of Tensegrity Structures Using Deep Neural Networks [39.19016806159609]
本研究では, 緊張構造の幾何学的構成と物理特性を予測するために, ディープニューラルネットワーク (DNN) アプローチを開発した。
検証のために, 粘度Dバー, プリズム, ランダーを含む3つの張力構造を解析した。
論文 参考訳（メタデータ） (2024-06-15T16:39:53Z) - Hamiltonian truncation tensor networks for quantum field theories [42.2225785045544]
連続場理論の古典的シミュレーションのためのテンソルネットワーク手法を提案する。
この手法はハミルトン・トランケーションとテンソル・ネットワーク技術に基づいて構築されている。
重要な発展の1つは、大域的プロジェクターの行列積状態表現の正確な構成である。
論文 参考訳（メタデータ） (2023-12-19T19:00:02Z)
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。