論文の概要: Parameter Estimation in Machining Dynamics with Regenerative Delay and Nonsmooth Friction using Physics-Informed Neural Networks
- arxiv url: http://arxiv.org/abs/2610.06230v1
- Date: Mon, 05 Oct 2026 12:34:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-09 17:41:16.597475
- Title: Parameter Estimation in Machining Dynamics with Regenerative Delay and Nonsmooth Friction using Physics-Informed Neural Networks
- Title（参考訳）: 物理インフォームドニューラルネットワークを用いた再生遅延と非平滑摩擦による加工力学のパラメータ推定
- Abstract要約: 非平滑微分方程式(DDE)のためのマルチドメイン物理情報ニューラルネットワーク(XPINN)フレームワークの開発
これは、時間領域を特性遅延の整数倍数に分割する効果を示す最初の実装である。
その結果,提案手法がDDEの解再構成に寄与し,パラメータ推定が向上した。
- 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: A multi-domain eXtended Physics-Informed Neural Network (XPINN) framework is developed for nonsmooth Delay Differential Equations (DDEs). This is the first implementation to demonstrate the efficacy of partitioning the temporal domain into subdomains of integer multiples of the characteristic time delay and progressively training the associated subnetworks while freezing previously learned parameters. The efficacy of the proposed framework is demonstrated using a machining dynamics model that incorporates both regenerative and nonsmooth frictional effects. Results demonstrate that the proposed multi-domain XPINN framework leads to better solution reconstruction in DDEs and improved parameter estimation compared to a generic PINN (SPINN) formulation. The proposed method works particularly well for extended temporal domains and non-constant history functions. The robustness of inverse XPINN (I-XPINN) is also assessed using reference data contaminated with Gaussian measurement noise. Results indicate that I-XPINN remains resilient to measurement noise and the physics-informed constraints guide the network toward accurately recovering the underlying dynamics. This demonstrates, for the first time, the potential of the proposed framework for reliable parameter identification in DDEs characterised by nonsmoothness and large time delays.
- Abstract（参考訳）: 非滑らかな遅延微分方程式(DDE)に対して,マルチドメイン eXtended Physics-Informed Neural Network (XPINN) フレームワークを開発した。
これは、時間領域を特性時間遅延の整数倍数のサブドメインに分割し、以前に学習したパラメータを凍結しながら関連するサブネットワークを漸進的に訓練する効果を示す最初の実装である。
本フレームワークの有効性は, 再生摩擦と非平滑摩擦の両方を組み込んだ加工力学モデルを用いて実証した。
その結果,提案するマルチドメインXPINNフレームワークは,汎用PINN (SPINN) の定式化と比較して,DDEの解再構成やパラメータ推定の改善につながることが示された。
提案手法は,特に時間領域の拡張や非定常履歴関数に有効である。
また, 逆XPINN (I-XPINN) のロバスト性についても, ガウス測定ノイズで汚染された基準データを用いて評価した。
その結果、I-XPINNは計測ノイズに耐性を持ち、物理インフォームド制約がネットワークを誘導し、基礎となる力学を正確に回復することを示した。
このことは、DDEにおける信頼性パラメータ同定のためのフレームワークが、非滑らかさと大きな遅延によって特徴付けられる可能性を初めて示している。
関連論文リスト
- Physics-Informed Implicit Neural Representations for Improved Myocardial Perfusion MRI Quantification [1.2835484274728046]
物理インフォームドニューラルネットワーク(PINN)は、従来の非線形最小二乗フィッティング法に代わるものとして提案されている。
本研究では,従来提案されていたPINNフレームワークを暗黙的ニューラル表現(INR)で拡張し,MR信号を連続時間関数として表現する。
提案したINRを用いたPINNは,従来の手法よりもロバスト性およびパラメータ推定精度が向上したことを示す。
論文 参考訳（メタデータ） (2026-08-11T11:25:22Z) - Unveiling the Mechanism of Continuous Representation Full-Waveform Inversion: A Wave Based Neural Tangent Kernel Framework [52.632217600064344]
フルウェーブフォーム・インバージョン(FWI)は、限られた測定値から波動方程式の物理パラメータを推定する。
FWI法は初期モデルの精度に対する悪名高い感度によって制限されている。
連続表現 FWI (CR-FWI) の最近の進歩は、暗黙的ニューラル表現 (INR) のような座標ベースニューラルネットワークによるパラメータモデルを表現することで、初期モデルへの依存を緩和できることを実証している。
論文 参考訳（メタデータ） (2026-03-23T03:22:33Z) - Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。
既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。
本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
論文 参考訳（メタデータ） (2025-07-22T18:20:56Z) - 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) - Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。
絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
論文 参考訳（メタデータ） (2024-10-28T15:54:50Z) - A Deep Neural Network Framework for Solving Forward and Inverse Problems in Delay Differential Equations [12.888147363070749]
ディープニューラルネットワーク(DNN)に基づく遅延微分方程式(DDE)の統合フレームワークを提案する。
このフレームワークは、DDEの多様な要件を満たすために遅延微分方程式をニューラルネットワークに埋め込むことができる。
逆問題に対処する際、NDDEフレームワークは観測データを利用して単一の遅延パラメータや複数の遅延パラメータを正確に推定することができる。
論文 参考訳（メタデータ） (2024-08-17T13:41:34Z) - Enhanced Spatiotemporal Prediction Using Physical-guided And Frequency-enhanced Recurrent Neural Networks [17.91230192726962]
本稿では,時空間力学を推定する物理誘導型ニューラルネットワークを提案する。
また、物理状態をより正確にモデル化するための物理制約付き適応二階ルンゲ・クッタ法を提案する。
我々のモデルは最先端の手法より優れ、より少ないパラメータ数でデータセットで最高の性能を発揮する。
論文 参考訳（メタデータ） (2024-05-23T12:39:49Z) - Data-Driven Room Acoustic Modeling Via Differentiable Feedback Delay Networks With Learnable Delay Lines [46.2770645198924]
フィードバック遅延ネットワーク(FDN)のパラメータを求める新しい手法を提案する。
提案手法は、訓練可能な遅延線を持つ微分可能なFDNの実装を含む。
提案手法は,所望の音響特性と密に一致できる時間不変周波数独立FDNが得られることを示す。
論文 参考訳（メタデータ） (2024-03-29T10:48:32Z) - Reduced order modeling of parametrized systems through autoencoders and
SINDy approach: continuation of periodic solutions [0.0]
本研究は,ROM構築と動的識別の低減を組み合わせたデータ駆動型非侵入型フレームワークを提案する。
提案手法は、非線形力学(SINDy)のパラメトリックスパース同定によるオートエンコーダニューラルネットワークを利用して、低次元力学モデルを構築する。
これらは、システムパラメータの関数として周期的定常応答の進化を追跡し、過渡位相の計算を避け、不安定性と分岐を検出することを目的としている。
論文 参考訳（メタデータ） (2022-11-13T01:57:18Z)
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。