論文の概要: Deep learning-based prediction of time-resolved adhesive forces in viscoelastic Hertzian contacts

• arxiv url: http://arxiv.org/abs/2607.19060v1
• Date: Tue, 21 Jul 2026 12:48:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.427134
• Title: Deep learning-based prediction of time-resolved adhesive forces in viscoelastic Hertzian contacts
• Title（参考訳）: 粘弾性ヘルツ接点における時間分解接着力の深層学習による予測
• Abstract要約: 我々は、所定の変位履歴から全力進化を予測するために、ステートフルでシークエンス・ツー・シークエンス深層学習モデルを訓練する。 モデルは、未知のパラメータの組み合わせと分析的制限ケースに対してテストされる。 制御指向アプリケーションで潜在的に使用可能な数値評価を繰り返すために、高速なサロゲートを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fast prediction of the response of adhesive soft viscoelastic contacts represents a current challenge in soft robotics and for gripping and manipulation tasks. Determining the complete time-resolved force trajectory requires full numerical simulations, whose computational cost is strongly parameter-dependent, making them impractical for real-time application or design-optimization loops. In this work, we overcome this limitation by training a scalar-conditioned, stateful, sequence-to-sequence deep learning model to predict the full force evolution from a prescribed displacement history for both short- and long-range adhesion regimes. The data set spans four orders of magnitude in loading and unloading rates and includes varied dwell times, with the Tabor parameter ranging from $0.2$ to $3.2$. To enable learning across these heterogeneous time scales, we introduce a fixed-measurement-step (FMS) representation that converts variable-length trajectories into fixed-length sequences while preserving their physical-time information. Different architectures were trained, including long short-term memory (LSTM) networks, temporal convolutional neural (TCN) networks, and time-distributed dense layers with three different Tabor-conditioning mechanisms. The models were compared using global waveform and error metrics. We found that the best-performing model has an LSTM architecture with concatenated conditioning, which achieves a held-out mean-squared error of $5.0\times10^{-4}$, a median pull-off-force error of $\approx2.2\%$, and a median hysteresis error of $\approx1.1\%$. For the held-out protocols, the model predicts a complete force trajectory with a median inference time of $0.16$ s. The model is tested across unseen parameter combinations and against analytical limiting cases, providing a rapid surrogate for repeated numerical evaluations with potential use in control-oriented applications.
• Abstract（参考訳）: 粘着性粘弾性接触の応答の高速予測は、ソフトロボティクスおよびグリップおよび操作タスクにおける現在の課題である。 時間分解力軌道の完全な決定には、計算コストが強いパラメータ依存の完全な数値シミュレーションが必要であるため、リアルタイムアプリケーションや設計最適化ループでは実用的ではない。 本研究では,スカラー条件付き,ステートフル,シークエンス・ツー・シークエンス・ディープ・ラーニング・モデルを用いて,この制限を克服し,所定変位履歴から短距離および長距離の付着状態のフル・フォース進化を予測する。 データセットはロードとアンロードの4桁にまたがっており、タブーパラメータは0.2$から3.2$まで様々である。 このような不均一な時間スケールでの学習を可能にするために,変数長のトラジェクトリを物理時間情報を保持しながら固定長のシーケンスに変換する固定測度(FMS)表現を導入する。 長い短期記憶(LSTM)ネットワーク、時間的畳み込みニューラルネットワーク(TCN)ネットワーク、そして3つの異なるタブ条件機構を持つ時間分散密度層など、異なるアーキテクチャが訓練された。 モデルはグローバル波形とエラーメトリクスを用いて比較した。 最適性能モデルは、整合条件付きLSTMアーキテクチャを持ち、ホールドアウト平均二乗誤差が5.0\times10^{-4}$、中央プルオフ力誤差が$\approx2.2\%$、中央ヒステリシス誤差が$\approx1.1\%$であることがわかった。 保持されたプロトコルでは、モデルが完全な力軌跡を予測し、中央値の推算時間は0.16$ sである。 このモデルは、未確認パラメータの組み合わせと分析的制限ケースに対してテストされ、制御指向アプリケーションで潜在的に使用可能な数値評価を繰り返し行うための高速なサロゲートを提供する。

関連論文リスト

• A Numerical Method for Coupling Parameterized Physics-Informed Neural Networks and FDM for Advanced Thermal-Hydraulic System Simulation [0.0]
  MELCORのようなシステムレベルのコードを用いた重大事故解析は、核安全性評価には不可欠である。 既存のサロゲートモデルはこれらの解析を加速するが、大量のシミュレーションデータに依存する。 物理インフォームドニューラルネットワーク(PINN)は、データフリーなトレーニングを可能にするが、問題パラメータの変更毎に再トレーニングする必要がある。
  論文  参考訳（メタデータ） (2026-04-03T02:50:58Z)
• Enhanced accuracy through ensembling of randomly initialized auto-regressive models for time-dependent PDEs [0.0]
  機械学習モデルによる自己回帰推論は、連続した予測よりもエラーの蓄積に悩まされ、長期的な精度が制限される。 この課題に対処するために,複数のMLサロゲートモデルを並列にトレーニングし,推論中に集約するディープアンサンブルフレームワークを提案する。 我々はPDEを駆動する3つの力学系 - 不均一なミクロ組織における応力の進化、グレイ・スコット反応拡散、惑星規模の浅層水系 - の枠組みを検証した。
  論文  参考訳（メタデータ） (2025-07-05T02:25:12Z)
• Adaptive Deadline and Batch Layered Synchronized Federated Learning [66.93447103966439]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散エッジデバイス間で協調的なモデルトレーニングを可能にする。 我々は,レイヤワイドアグリゲーションのために,ラウンド単位の期限とユーザ固有のバッチサイズを共同で最適化する新しいフレームワークADEL-FLを提案する。
  論文  参考訳（メタデータ） (2025-05-29T19:59:18Z)
• Multi-timescale time encoding for CNN prediction of Fenna-Matthews-Olson energy-transfer dynamics [4.040694711418461]
  システムパラメータと余剰時間を直接励起エネルギー変換集団に符号化する非再帰畳み込みニューラルネットワークを開発した。 ネットワークは、さまざまな再編成エネルギー、入浴率、温度の0sim100 ps$のダイナミクスを正確に予測する。
  論文  参考訳（メタデータ） (2025-03-21T12:40:39Z)
• MultiPDENet: PDE-embedded Learning with Multi-time-stepping for Accelerated Flow Simulation [48.41289705783405]
  マルチスケールタイムステップ(MultiPDENet)を用いたPDE組み込みネットワークを提案する。 特に,有限差分構造に基づく畳み込みフィルタを少数のパラメータで設計し,最適化する。 4階ランゲ・クッタ積分器を微細な時間スケールで備えた物理ブロックが確立され、PDEの構造を埋め込んで予測を導出する。
  論文  参考訳（メタデータ） (2025-01-27T12:15:51Z)
• Data-Augmented Predictive Deep Neural Network: Enhancing the extrapolation capabilities of non-intrusive surrogate models [0.5735035463793009]
  本稿では、カーネル動的モード分解(KDMD)を用いて、畳み込みオートエンコーダ(CAE)のエンコーダ部が生成する潜伏空間のダイナミクスを進化させる新しいディープラーニングフレームワークを提案する。 KDMD-decoder-extrapolated dataを元のデータセットに追加した後、この拡張データを用いてフィードフォワードディープニューラルネットワークと共にCAEをトレーニングする。 トレーニングされたネットワークは、トレーニング外のパラメータサンプルでトレーニング時間間隔外の将来の状態を予測できる。
  論文  参考訳（メタデータ） (2024-10-17T09:26:14Z)
• Coarse Graining with Neural Operators for Simulating Chaotic Systems [78.64101336150419]
  カオスシステムの長期的挙動を予測することは、気候モデリングなどの様々な応用に不可欠である。 このような完全解法シミュレーションに対する別のアプローチは、粗いグリッドを使用して、時間テキストモデルによってエラーを修正することである。 この制限を克服する物理インフォームド・ニューラル演算子(PINO)を用いたエンド・ツー・エンドの学習手法を提案する。
  論文  参考訳（メタデータ） (2024-08-09T17:05:45Z)
• TFMQ-DM: Temporal Feature Maintenance Quantization for Diffusion Models [52.454274602380124]
  拡散モデルは非常に時間ステップ$t$に大きく依存し、良好なマルチラウンドデノジングを実現している。 本稿では,時間情報ブロック上に構築した時間的特徴保守量子化(TFMQ)フレームワークを提案する。 先駆的なブロック設計により、時間情報認識再構成(TIAR)と有限集合キャリブレーション(FSC)を考案し、完全な時間的特徴を整列させる。
  論文  参考訳（メタデータ） (2023-11-27T12:59:52Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Low-Rank Autoregressive Tensor Completion for Spatiotemporal Traffic Data Imputation [4.9831085918734805]
  データ計算の欠如は長年の研究課題であり、現実世界のインテリジェント交通システムにとって重要な応用である。 テキストの時間変化を新たな正規化項として導入し,低ランク自動回帰テンソル補完(LATC)フレームワークを提案する。 本研究では,複数の実世界の交通データ集合について広範な数値実験を行い,LATCの有効性を実証した。
  論文  参考訳（メタデータ） (2021-04-30T12:00:57Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。