DeepF-fNet: a physics-informed neural network for vibration isolation optimization

要約

構造の最適化は、最小限の材料使用で安全、効率的、耐久性のあるコンポーネントを設計するために不可欠です。
従来の振動制御方法は、共振や潜在的な構造破損につながる可能性のある予測不可能な振動を軽減するためにアクティブ システムに依存することがよくあります。
しかし、これらの方法は、広範囲の周波数にさらされる構造を最適化するために必要な非線形逆固有値問題に対処する際に、重大な課題に直面します。
その結果、既存のアプローチは、特に計算効率が重要となる自動車の騒音、振動、ハーシュネスなどの高性能環境において、この状況におけるリアルタイム振動抑制のニーズに効果的に対処できていません。
この研究では、振動ベースの構造最適化において従来のアクティブ システムを置き換えるように設計された新しいニューラル ネットワーク フレームワークである DeepF-fNet を紹介します。
DeepF-fNet は、物理学に基づいたニューラル ネットワークのコンテキスト内で DeepONets を活用し、データと支配的な物理法則の両方を統合します。
これにより、特定の周波数での重大な振動を抑制するための最適なパラメータを迅速に特定できるようになり、従来の方法に代わるより効率的でリアルタイムな代替手段が提供されます。
提案されたフレームワークは、ユーザー定義の周波数範囲から構造を分離するために使用される局所共振メタマテリアルを含むケース スタディを通じて検証されます。
この結果は、DeepF-fNet が同等の結果を達成しながら、計算速度の点で従来の遺伝的アルゴリズムを上回っており、振動に敏感なアプリケーションにとって有望なツールであることを示しています。
DeepF-fNet は、アクティブ システムを機械学習技術で置き換えることにより、現実世界のシナリオでより効率的でコスト効率の高い構造最適化への道を開きます。

要約(オリジナル)

Structural optimization is essential for designing safe, efficient, and durable components with minimal material usage. Traditional methods for vibration control often rely on active systems to mitigate unpredictable vibrations, which may lead to resonance and potential structural failure. However, these methods face significant challenges when addressing the nonlinear inverse eigenvalue problems required for optimizing structures subjected to a wide range of frequencies. As a result, no existing approach has effectively addressed the need for real-time vibration suppression within this context, particularly in high-performance environments such as automotive noise, vibration and harshness, where computational efficiency is crucial. This study introduces DeepF-fNet, a novel neural network framework designed to replace traditional active systems in vibration-based structural optimization. Leveraging DeepONets within the context of physics-informed neural networks, DeepF-fNet integrates both data and the governing physical laws. This enables rapid identification of optimal parameters to suppress critical vibrations at specific frequencies, offering a more efficient and real-time alternative to conventional methods. The proposed framework is validated through a case study involving a locally resonant metamaterial used to isolate structures from user-defined frequency ranges. The results demonstrate that DeepF-fNet outperforms traditional genetic algorithms in terms of computational speed while achieving comparable results, making it a promising tool for vibration-sensitive applications. By replacing active systems with machine learning techniques, DeepF-fNet paves the way for more efficient and cost-effective structural optimization in real-world scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google