Differentiable Fluid Physics Parameter Identification Via Stirring

要約

流体の相互作用は人間の日常的な活動に浸透しており、密度や粘度などの特性が家事において重要な役割を果たしています。
密度の推定はアルキメデスの原理により簡単ですが、粘度は、特にニュートン流体と非ニュートン流体のさまざまな挙動を考慮すると、より複雑な課題を引き起こします。
応力とひずみの関係が異なるこれらの流体は、Carreau、Cross、Herschel-Bulkley モデルなどの特定の構成モデルによって描写され、それぞれが固有の粘度パラメータを持っています。
この研究では、撹拌という日常の一般的な操作を通じて主要な物理パラメータを特定するように調整された、新しい微分可能なフィッティング フレームワーク DiffStir を導入します。
ロボット アームを使用して微分可能物質点法 (diffMPM) ベースのシミュレーターを撹拌および利用することで、フレームワークはシミュレーターと現実世界の両方からの観察を照合して流体パラメーターを決定できます。
特定の流体に対する前述の構成モデルの異なる好みを認識し、実世界のデータに基づいて最も適合するモデルを適応的に選択するオンライン戦略が採用されました。
さらに、シミュレーションと実際のギャップを埋め、センサーのノイズによって引き起こされる不正確さを軽減するために、ニューラル ネットワークを改良することを提案します。
DiffStir の有効性を検証するために包括的な実験が実施され、報告された文献値と比較した場合のパラメーター推定の精度が示されました。
その他の実験やビデオは、補足資料と Web サイト (https://sites.google.com/view/diffstir) でご覧いただけます。

要約(オリジナル)

Fluid interactions permeate daily human activities, with properties like density and viscosity playing pivotal roles in household tasks. While density estimation is straightforward through Archimedes’ principle, viscosity poses a more intricate challenge, especially given the varied behaviors of Newtonian and non-Newtonian fluids. These fluids, which differ in their stress-strain relationships, are delineated by specific constitutive models such as the Carreau, Cross, and Herschel-Bulkley models, each possessing unique viscosity parameters. This study introduces a novel differentiable fitting framework, DiffStir, tailored to identify key physics parameters via the common daily operation of stirring. By employing a robotic arm for stirring and harnessing a differentiable Material Point Method (diffMPM)-based simulator, the framework can determine fluid parameters by matching observations from both the simulator and the real world. Recognizing the distinct preferences of the aforementioned constitutive models for specific fluids, an online strategy was adopted to adaptively select the most fitting model based on real-world data. Additionally, we propose a refining neural network to bridge the sim-to-real gap and mitigate sensor noise-induced inaccuracies. Comprehensive experiments were conducted to validate the efficacy of DiffStir, showcasing its precision in parameter estimation when benchmarked against reported literature values. More experiments and videos can be found in the supplementary materials and on the website: https://sites.google.com/view/diffstir.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google