作为数字孪生基础的生成模型
机器学习
2022-03-10 v1 系统与控制
系统与控制
机器学习
摘要
提出一种以生成模型作为结构数字孪生或镜像基础的框架。该提议基于如下前提：确定性模型无法解释大多数结构建模应用中存在的不确定性。此处考虑两类不同的生成模型。第一类是基于物理的模型，基于随机有限元（SFE）方法，该方法在建模具有材料与载荷不确定性的结构时被广泛使用。此类模型可根据结构数据进行校准，若建模准确捕捉结构真实底层物理，则预期优于任何其他模型。通过将SFE模型应用于具有随机材料特性的线性结构，阐释其作为数字镜像的潜在用途。对于此类模型物理公式不足的情况，提出使用机器学习与条件生成对抗网络（cGANs）的数据驱动框架。后一算法用于学习具有材料非线性和不确定性的结构中关注量的分布。就本文所考虑的例子，数据驱动的cGANs模型优于基于物理的方法。最后，展示一个将两种方法耦合的示例，从而演示混合模型方法。
引用
@article{arxiv.2203.04384,
title = {On generative models as the basis for digital twins},
author = {G. Tsialiamanis and D. J. Wagg and N. Dervilis and K. Worden},
journal= {arXiv preprint arXiv:2203.04384},
year = {2022}
}