结构仿真和桥梁健康监测的神经算符
本研究开发了一个基于机器学习的结构设计模型,从逆问题的角度进行研究。通过明确前向、优化和逆向机器学习运算符之间的区别,提出了一种基于最近开发的影响区概念的新方法,相对于传统的结构设计方法,该方法代表了一种基本的转变方式。该方法的目标是构思一个非迭代的结构设计模型,以预测任意系统规模的连续梁系统的截面要求。在生成已知解的数据集后,确定了适当的神经网络架构,并对未见数据进行训练和测试。结果显示截面性能预测的平均绝对百分比测试误差为 1.6%,神经网络具有较好的泛化能力,能够良好地适用于变尺寸的结构系统。本研究生成的 CBeamXP 数据集以及相关的基于 Python 的神经网络训练脚本已经在开源数据存储库中提供,以便重现结果并鼓励进一步研究。
Mar, 2024
利用结构健康监测数据,本文提出了一种基于深度学习的长跨度桥梁超载车辆识别方法(DOVI),通过时间卷积架构提取输入序列数据的空间和时间特征,从而提供了一种端到端的超载车辆识别解决方案,无需预先影响线、也不需要提前获得速度和轴距信息,可在多车辆的情况下应用,并在随机交通流条件下,通过对简支梁和长跨度斜拉桥进行模型评估,结果表明,所提出的深度学习超载车辆识别方法具有更好的效果和鲁棒性,相比其他机器学习和深度学习方法。
Sep, 2023
我们提出了几何信息神经算子(GINO),一种高效的方法,用于学习具有不同几何形态的大规模偏微分方程的解算器。该算子基于图和傅里叶结构,使用输入形状的有符号距离函数和点云表示来学习解算器。用于验证 GINO 方法在大规模模拟上的性能,我们生成了 3D 车辆几何形态的工业标准空气动力学数据集,雷诺数高达五百万。在这个大规模 3D 流体模拟中,传统数值方法计算表面压力的成本很高。我们成功地训练 GINO 仅使用五百个数据点来预测车身表面的压力。在成本 - 准确性实验中,与优化后的基于 GPU 的计算流体动力学(CFD)模拟器相比,GINO 的计算阻力系数速度提高了 26000 倍。在测试新的几何形态和边界条件(入口速度)组合时,GINO 相对于深度神经网络方法的误差率降低了四分之一。
Sep, 2023
该研究论文提出了一种使用物理信息循环神经网络对多自由度 (MDOF) 系统的动态响应进行评估的新方法,重点是评估非线性结构的地震响应,并将预测响应与有限元分析等先进方法进行比较,以评估物理信息循环神经网络模型的有效性。
Aug, 2023
本文提出一种基于物理知识的神经网络(PINN)算法,通过最小化系统的变分能量来求解脆性断裂问题,同时对神经网络输出进行修改以满足边界条件并采用迭代学习模式。通过在四个断裂力学问题上的验证,证明了该方法相对于常规的残差 PINN 算法具有更好的准确性和相对简单鲁棒的重要优势。
Jul, 2019
本文提出物理信息神经操作器(PINO),该方法使用现有的数据和物理约束条件来学习参数化偏微分方程(PDE)族的解算器,通过结合数据和 PDE 约束条件,PINO 成功地实现了高分辨率实例的准确性和泛化能力。
Nov, 2021
本研究探索了在求解偏微分方程组(如神经算子)中应用自训练技术的可行性,通过使用自训练技术,四尔叶神经算子(FNO)仅通过物理损失的训练就取得了比同时使用数据和物理损失训练的情况下在 Burgers 和 Darcy 方程中更好的结果,此外,我们发现可以利用伪标签进行自训练,同时优化了 PINO 的性能。
Nov, 2023
本研究提出了一种将弹性力学理论与 PINN 相结合的新方法,用于预测脆性材料中的准静态损伤和裂纹传播。通过将线性化的弹性力学方程强制加到 PINN 的基于残差的损失函数中,实现了高预测准确性和收敛速率。通过监测训练过程中损失函数的行为,对所提出的 PD-INN 模型的性能进行评估,并通过与 PD 直接数值方法和扩展有限元方法获得的结果进行验证。我们的结果表明,这种非局部 PDINN 能够准确高效地预测损伤和裂纹的传播。
Oct, 2023
本文介绍了一种基于视觉交互网络的模型,能够从原始视觉观察数据中学习物理系统的动力学,在复杂的物理环境中支持基于模型的决策制定和规划。该模型由基于卷积神经网络的感知前端和基于交互网络的动力学预测器组成,支持从少量视频帧生成准确的未来轨迹预测。
Jun, 2017