Subspace graph networks for real-time granular flow simulation with applications to machine-terrain interactions
Notice bibliographique
Résumé
Granular flows interacting with rigid bodies are key to machine-terrain interactions in robotics and related fields, and still pose several open problems. Continuum methods and deep learning, separately and in combination, show promise. This research advances machine learning methods for modeling rigid body-driven granular flows, for terrestrial industrial machine and planetary rover (where gravity is an important factor) applications. The original contribution of this research is the application of a subspace machine learning simulation approach for these engineering problems. To generate training datasets, a high-fidelity continuum method, the material point method (MPM) is utilized. Principal component analysis (PCA) is used to reduce the dimensionality of data. It is shown that the first few (8 in our datasets) principal components of our high-dimensional data keep almost the entire variance in data. A graph network simulator (GNS) is trained to learn the underlying subspace dynamics. The learned GNS is then able to predict particle positions and interaction forces with good accuracy, averaging 6 × 1 0 − 5 and 3 × 1 0 − 6 mean squared position error and 7% and 17% mean percentage force error, for excavation and wheel data, respectively. More importantly, PCA significantly enhances the time and memory efficiency of GNS in both training and rollout. This enables GNS to be trained using a single desktop graphics processing unit (GPU) with moderate video random-access memory (VRAM). This also makes the GNS real-time on large-scale 3D physics configurations (700x faster than our continuum method), which is the first demonstration of such significantly accelerated high-fidelity granular flow engineering simulations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».