スパース基底を用いたモデル縮約解析の検討-深層学習による基底生成-

カテゴリ: 研究会(論文単位)

論文No: RM17013

グループ名: 【D】産業応用部門 回転機研究会

発行日: 2017/01/18

タイトル(英語): A Investigation of Model Order Reduction Based on Sparse Basis Vectors -Generation of Basis Vectors Using Deep Learning-

著者名: 佐藤 孝洋(東芝),藤田 真史(東芝)

著者名(英語): Takahiro Sato(Toshiba Corporation),Masafumi Fujita(Toshiba Corporation)

キーワード: モデル縮約|深層学習|スパース表現|有限要素法|Model order reduction|Deep learning|Sparse representation|Finite element method

要約(日本語): 有限要素法による磁界解析の計算時間の短縮法の１つに、PODに基づくモデル縮約（MOR）があるが、非線形性を考慮する場合、必要な基底ベクトルが多くなるため、計算時間が短縮されにくい問題があった。本発表では、MORにスパースな基底ベクトルを用いる方法について検討を行う。基底の生成には深層学習を使用し、スパースでかつ元問題との誤差が最小になる基底を生成するよう学習させる。

要約(英語): Model order reduction (MOR) based on POD is one of the techniques to reduce computational time of finite element method. In this work, we report a MOR using sparse basis vectors which are generated using the deep stacked autoencoder.

原稿種別: 日本語

PDFファイルサイズ: 1,505 Kバイト