Reducción de la Dimensionalidad de un Sistema de Partículas en Movimiento Utilizando Redes Neuronales Convolucionales
DOI:
https://doi.org/10.70567/mc.v41i19.100Palabras clave:
Autoencoders, Redes convolucionales, Reducción dimensional, Materia granularResumen
En el campo del aprendizaje automático, en los últimos años se ha desarrollado un enfoque innovador para modelar sistemas complejos mediante la identificación de dimensiones intrínsecas y variables de estado neuronales (NSV) utilizando redes neuronales convolucionales (CNN). Esta técnica ha demostrado ser eficaz en la predicción estable a largo plazo de sistemas dinámicos complejos, como los encontrados en aplicaciones industriales de flujos de materia granular. El presente trabajo se centra en el modelado y simulación de sistemas bidimensionales de partículas discretas en un entorno dinámico. Se emplean simulaciones computacionales para generar secuencias de video que capturan la dinámica del sistema en diversas configuraciones y velocidades. Estos datos se utilizan posteriormente para entrenar una red neuronal convolucional que funciona como un autoencoder, descomponiendo y reconstruyendo la señal de video. El proceso de descomposición implica una reducción de la dimensionalidad del sistema, lo que es crucial para obtener una representación más eficiente y simplificada de su comportamiento dinámico. Esto facilita la comprensión y predicción del sistema en entornos industriales. Se espera que los resultados obtenidos contribuyan al desarrollo de futuros modelos simplificados del 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. https://doi.org/10.1016/0893-6080(89)90014-2
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. https://doi.org/10.1146/annurev.fl.25.010193.002543
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.1517384113
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.1906995116
Chen B., Huang K., Raghupathi S., Chandratreya I., Du Q., y Lipson H. Discovering state variables hidden in experimental data. 2021. doi:10.48550/arXiv.2112.10755.
Chollet F. Keras. GitHub repository, 2015.
Cundall P. y Strack O. A discrete numerical model for granular assemblies. Geotechnique, 29:47-65, 1979. https://doi.org/10.1680/geot.1979.29.1.47
Goodfellow I., Bengio Y., Courville A., y Bengio Y. Deep Learning, volumen 1. MIT Press, Cambridge, 2016.
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. https://doi.org/10.1017/CBO9780511919701
Nedderman R. Statics and kinematics of granular materials. Cambridge University Press, London, 1992. https://doi.org/10.1017/CBO9780511600043
Pearson K. On lines and planes of closest fit to systems of points in space. Philosophical Magazine, 2(7-12):559-572, 1901. https://doi.org/10.1080/14786440109462720
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. https://doi.org/10.2514/1.J056060
Udrescu S.M. y Tegmark M. Science advances. Science Advances, 6(23):eaay2631, 2020. https://doi.org/10.1126/sciadv.aay2631
Wang Z. Image quality assessment: Form error visibility to structural similarity. IEEE Trans. Image Process., 13(4):604-606, 2004. https://doi.org/10.1109/TIP.2003.819861
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. https://doi.org/10.1016/j.ces.2006.12.089
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. https://doi.org/10.1016/j.ces.2008.08.006
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2024 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.
