Exploración del Espacio Latente en la Descarga de Partículas Mediante Autoencoders Entrenados con Simulaciones de Modelos de Elementos Discretos
DOI:
https://doi.org/10.70567/mc.v42.ocsid8469Palabras clave:
Autoencoder Variacional, Reducción Dimensional, Flujos Granulares, PCA, Representaciones LatentesResumen
En los últimos años los autoencoders variacionales (VAE) se han consolidado como una herramienta poderosa para aprender representaciones compactas y continuas de sistemas complejos. En el presente trabajo se aplica un VAE convolucional a la tarea de predecir la evolución temporal en un sistema de flujo granular simulado mediante el método de elementos discretos (DEM). Se entrena el modelo para recibir como entrada dos imágenes consecutivas de la simulación y generar como salida las imágenes de los pasos temporales siguientes. Posteriormente, se analiza el espacio latente resultante utilizando Análisis de Componentes Principales (PCA), con el objetivo de evaluar si las representaciones latentes capturan información relevante sobre el estado del sistema. Los resultados muestran que el modelo es capaz de organizar los datos en regiones diferenciadas y con continuidad temporal, lo que constituye una evidencia favorable de que el VAE ha aprendido variables de estado útiles para describir el sistema. En los últimos años los autoencoders variacionales (VAE) se han consolidado como una herramienta poderosa para aprender representaciones compactas y continuas de sistemas complejos. En el presente trabajo se aplica un VAE convolucional a la tarea de predecir la evolución temporal en un sistema de flujo granular simulado mediante el método de elementos discretos (DEM). Se entrena el modelo para recibir como entrada dos imágenes consecutivas de la simulación y generar como salida las imágenes de los pasos temporales siguientes. Posteriormente, se analiza el espacio latente resultante utilizando Análisis de Componentes Principales (PCA), con el objetivo de evaluar si las representaciones latentes capturan información relevante sobre el estado del sistema. Los resultados muestran que el modelo es capaz de organizar los datos en regiones diferenciadas y con continuidad temporal, lo que constituye una evidencia favorable de que el VAE ha aprendido variables de estado útiles para describir el sistema.
Citas
Baldi P. y Hornik K. Neural networks and principal component analysis: Learning from examples
without local minima. Neural Networks, 2(1):53–58, 1989.
Berkooz G., Holmes P., y Lumley J.L. The proper orthogonal decomposition in the analysis of
turbulent flows. Annual Review of Fluid Mechanics, 25(1):539–575, 1993.
Bertone S., Puccini G., Monier E., y Jappert S. Simulación de flujos de sólidos a granel en tolvas utilizando modelos de elementos discretos. XII Congreso Argentino de Mecánica Computacional Mecom 2018, páginas 1–10, 2018.
Bertone S.E., Puccini G.D., Bonetti C., Denardi M., y Bianchotti J. Impacto de las vibracionesmecánicas en la descarga de sólidos a granel en una tolva bidimensional: un análisis basado en modelos de elementos discretos. Mecánica Computacional, 40(36):1285–1292, 2023.
Bertone S.E., Puccini G.D., Bonetti C.A., Denardi M., y Bianchotti J.D. Reducción de la dimensionalidad de un sistema de partículas en movimiento utilizando redes neuronales convolucionales. Mecánica Computacional, 41(19):1023–1031, 2024.
Bonheme L. y Grzes M. How do variational autoencoders learn? insights from representational similarity. arXiv preprint arXiv:2205.08399, 2022.
Brunton S.L., Proctor J.L., y Kutz J.N. Proceedings of the national academy of sciences. Proceedings of the National Academy of Sciences, 113(14):3932–3939, 2016. https://doi.org/10.1073/pnas.1517792113.
Champion K., Lusch B., Kutz J.N., y Brunton S.L. Proceedings of the national academy of sciences. Proceedings of the National Academy of Sciences, 116(45):22445–22454, 2019. https://doi.org/10.1073/pnas.1911627116.
Chen B., Huang K., Raghupathi S., Chandratreya I., Du Q., y Lipson H. Discovering state variables hidden in experimental data. 2021. https://doi.org/10.48550/arXiv.2112.10755.
Cundall P. y Strack O. A discrete numerical model for granular assemblies. Geotechnique, 29(1):47–65, 1979.
Goodfellow I., Bengio Y., Courville A., y Bengio Y. Deep Learning, volumen 1. MIT Press, Cambridge, 2016.
Goroshin R., Bruna J., Tompson J., Eigen D., y LeCun Y. Unsupervised learning of spatiotemporally coherent metrics. En Proceedings of the IEEE international conference on computer vision, páginas 4086–4093. 2015.
Gregor K., Danihelka I., Graves A., Rezende D., y Wierstra D. Draw: A recurrent neural network for image generation. En International conference on machine learning, páginas 1462– 1471. PMLR, 2015.
Holmes P.J., Lumley J.L., Berkooz G., y Rowley C.W. Turbulence, coherent structures, dynamical systems and symmetry. Cambridge Monographs in Mechanics. Cambridge University Press, Cambridge, England, 2nd edición, 2012.
Kingma D.P., Rezende D.J., Mohamed S., y Welling M. Semi-supervised learning with deep generative models. Advances in neural information processing systems, 27, 2014.
Kloss C., Goniva C., Hager A., Amberger S., y Pirker S. Models, algorithms and validation for opensource DEM and CFD-DEM. Progress in Computational Fluid Dynamics, An Int. J., 12(2/3):140–152, 2012.
Pearson K. On lines and planes of closest fit to systems of points in space. Philosophical Magazine, 2(7-12):559–572, 1901.
Taira K., Brunton S.L., Dawson S.T.M., Rowley C.W., Colonius T., McKeon B.J., Schmidt O.T., Gordeyev S., Theofilis V., y Ukeiley L.S. Modal analysis of fluid flows: An overview. AIAA Journal, 55(12):4013–4041, 2017.
Udrescu S.M. y Tegmark M. Science advances. Science Advances, 6(23):eaay2631, 2020.https://doi.org/10.1126/sciadv.aay2631.
Walker J., Razavi A., y Oord A.v.d. Predicting video with vqvae. arXiv preprint ar-Xiv:2103.01950, 2021.
Zhu H., Zhou Z., Yang R., y Yu A. Discrete particle simulation of particulate systems: theoretical developments. Chemical Engineering Science, 62(13):3378–3396, 2007.
Zhu H., Zhou Z., Yang R., y Yu A. Discrete particle simulation of particulate systems: a review of major applications and findings. Chemical Engineering Science, 63(23):5728–5770, 2008.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Asociación Argentina de Mecánica Computacional
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Esta publicación es de acceso abierto diamante, sin ningún tipo de costo para los autores ni los lectores.
Solo se publicarán aquellos trabajos que han sido aceptados para su publicación y han sido presentados en el congreso de AMCA.
