Discovery of sparse hysteresis models for piezoelectric materials

要約

この記事では、機械学習、特にスパース回帰技術の最近の進歩を活用した、圧電材料のヒステリシスをモデル化するアプローチを紹介します。
スパース回帰はこれまでさまざまな科学および工学現象のモデル化に使用されてきましたが、圧電材料の非線形ヒステリシス モデリングへの応用はまだ検討されていません。
この研究では、ヒステリシスの原因となる動的システムをモデル化するために連続しきい値を備えた最小二乗アルゴリズムを採用し、その結果、シミュレーションされた圧電材料データと実験的な圧電材料データの両方のヒステリシスを正確に予測する簡潔なモデルが得られました。
蝶型ヒステリシスの学習や圧電アクチュエータの実世界のヒステリシス データのモデル化など、いくつかの数値実験が実行されます。
提示されたアプローチは、従来の回帰ベースおよびニューラル ネットワーク手法と比較され、その効率性と堅牢性が実証されています。
ソースコードはhttps://github.com/chandratue/SmartHysteresisで入手できます。

要約(オリジナル)

This article presents an approach for modelling hysteresis in piezoelectric materials, that leverages recent advancements in machine learning, particularly in sparse-regression techniques. While sparse regression has previously been used to model various scientific and engineering phenomena, its application to nonlinear hysteresis modelling in piezoelectric materials has yet to be explored. The study employs the least-squares algorithm with a sequential threshold to model the dynamic system responsible for hysteresis, resulting in a concise model that accurately predicts hysteresis for both simulated and experimental piezoelectric material data. Several numerical experiments are performed, including learning butterfly-shaped hysteresis and modelling real-world hysteresis data for a piezoelectric actuator. The presented approach is compared to traditional regression-based and neural network methods, demonstrating its efficiency and robustness. Source code is available at https://github.com/chandratue/SmartHysteresis

arxiv情報

提供元, 利用サービス

arxiv.jp, Google