.png){kind=icon}
返回
Simulation-Driven Deep Transfer Learning Framework for Data-Efficient Prediction of Physical Experiments
.png){kind=icon}
OA
AI
DOI：10.3390/math13233884.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
迁移学习利用大量仿真数据来克服实验数据稀缺且昂贵的局限性，已成为物理领域多种预测建模的有力方法。本研究提出了一种综合框架，以提高迁移学习的预测性能，重点关注实验数据集有限的准零刚度（QZS）系统。所提出的框架系统地考察了目标域中三个关键因素的相互作用：数据增强、层冻结配置和神经网络架构。通过仿真驱动生成合成数据，以捕捉未在稀疏实验数据中体现的动态特征。通过评估不同选择性层冻结和微调场景，探索了最优迁移深度。结果表明，部分迁移策略优于全迁移和非迁移方法，能够实现更稳定和准确的预测。为研究层次化迁移，设计了对称和非对称网络架构，将来自仿真的具有物理意义的表示嵌入目标模型的深层。此外，集成了注意力机制以强调材料特定特征。基于这些组件，所提出的仿真驱动框架仅使用12个实验样本即可预测QZS系统的全力-位移响应。通过对三个数据集（直接迁移、线性校正、基于FEM的校正）、三种网络架构和七种层冻结场景的系统比较，该框架实现了最佳测试性能：R² = 0.978，MAE = 0.34牛顿。
Keyword:
transfer learning
deep learning
neural networks
quasi-zero stiffness
sim-to-real
domain gap
期刊
IF:
2.2
论文数:
3.1K
被引数:
3.6W
机构
引用论文
分享收藏Machine Learning-Driven Design Optimization of Buckling-Induced Quasi-Zero Stiffness Metastructures for Low-Frequency Vibration Isolation机器学习驱动的低频振动隔离屈曲诱导准零刚度元结构优化设计
OAAI
OAAI分享收藏Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance在评估平均模型性能时，平均绝对误差 (MAE) 相对于均方根误差 (RMSE) 的优势OAAI
OAAI分享收藏Design optimization of 3D printed kirigami-inspired composite metamaterials for quasi-zero stiffness using deep reinforcement learning integrated with bayesian optimization基于深度强化学习与贝叶斯优化集成的准零刚度3D打印剪纸启发性复合超材料的结构优化设计.png)
COMPOSITE STRUCTURES
COMPOSITE STRUCTURESIF7.1
PREAI
分享收藏
查看更多内容