利用机器学习从早期轨迹预测二维颗粒床中圆形侵入体的最大穿透深度
Prediction of the maximum penetration of a circular intruder in a two-dimensional granular bed from its early trajectory using Machine Learning
- Center for Complex Systems, Physics Faculty, University of Havana（哈瓦那大学物理学院复杂系统中心）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
本研究利用机器学习从早期轨迹预测圆形侵入体在二维颗粒床中的最大穿透深度，发现单一特征即可实现高精度预测，揭示了密度信息已隐含于早期冲击响应中。
AI中文摘要：
我们测试了是否可以在不提供侵入体密度的情况下，利用机器学习从早期轨迹预测圆形侵入体进入二维颗粒床的最大穿透深度。基于100次不同密度的DEM模拟，我们从最初50毫秒内提取运动学特征。岭回归和随机森林预测了最大穿透深度。单一特征（50毫秒时的侵入体高度）集中了几乎所有的预测能力，表明密度信息已经编码在早期冲击响应中。
英文摘要：
We test whether the maximum penetration depth of a circular intruder into a two-dimensional granular bed can be predicted from its early trajectory using machine learning, without giving the intruder density. From 100 DEM simulations with varying density, we extract kinematic features from the first 50 ms. Ridge and Random Forest predict the maximum penetration. A single feature (the intruder height at 50 ms) concentrates almost all predictive power, showing that density information is already encoded in the early impact response.
