压电材料稀疏滞回模型的发现
机器学习
2023-05-23 v5
摘要
本文提出一种利用机器学习最新进展（特别是稀疏回归技术）对压电材料中滞回现象建模的方法。尽管稀疏回归此前已用于建模各种科学与工程现象，但其在压电材料非线性滞回建模中的应用尚未被探索。本研究采用带序列阈值的 least-squares 算法对导致滞回的动态系统建模，得到一个简洁模型，可准确预测模拟与实验压电材料数据的滞回。我们进行了若干数值实验，包括学习蝴蝶形滞回以及为压电执行器建模真实世界滞回数据。所提方法与基于传统回归和神经网络的方法进行比较，展现了其效率与鲁棒性。源代码见 https://github.com/chandratue/SmartHysteresis。
引用
@article{arxiv.2302.05313,
title = {Discovery of sparse hysteresis models for piezoelectric materials},
author = {Abhishek Chandra and Bram Daniels and Mitrofan Curti and Koen Tiels and Elena A. Lomonova and Daniel M. Tartakovsky},
journal= {arXiv preprint arXiv:2302.05313},
year = {2023}
}