Parameter Identification of a Nonlinear Vertical Axis Rotating Machine through Reduced Order Modeling and Data Assimilation
Notice bibliographique
Résumé
One challenge in modeling nonlinear dynamic systems involves the uncertainty associated with certain parameters that cannot be directly measured or estimated, along with the complexity of incorporating all relevant physical phenomena into a mathematical model without increasing computational cost. A hybrid twin represents an advanced modeling approach that combines the system's physics-based mathematical model with the empirical data collected from the real-world system, using data assimilation. This strategy enhances the accuracy and reliability of both estimating the system's unknown parameters and predicting its overall behavior. Further improvements are achieved by using a reduced-order model, which significantly lowers the computational burden of the entire procedure. In this study, we construct a surrogate model for a Vertical Axis Rotating Machine (VARM) by deploying sparse Proper Generalized Decomposition (sPGD). The model is parametrized in terms of the machine's unidentified parameters, and we apply the Harmonic-Modal Hybrid (HMH) Frequency Approach to solve for sparse scenarios creating the library of solutions. This is then combined with the Levenberg-Marquardt optimization technique to identify the unknown parameters using the measured shaft displacements of an experimental rig of the machine. The results demonstrate that this method is effective for parameter estimation in complex nonlinear systems and allows for fast computations, whether the unknown force function is specified explicitly or presumed. Precisely estimating a system's parameters can serve as a crucial indicator for scheduling maintenance or predicting failures.
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 | 0,000 |
| 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 ».