論文の概要: Spatial Damage Characterization in Self-Sensing Materials via Neural Network-Aided Electrical Impedance Tomography: A Computational Study

• arxiv url: http://arxiv.org/abs/2010.01674v1
• Date: Sun, 4 Oct 2020 20:28:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-11 04:18:19.083967
• Title: Spatial Damage Characterization in Self-Sensing Materials via Neural Network-Aided Electrical Impedance Tomography: A Computational Study
• Title（参考訳）: ニューラルネットワークを用いた電気インピーダンストモグラフィによる自己センシング材料の空間的損傷特性の検討
• Authors: Lang Zhao, Tyler Tallman, Guang Lin
• Abstract要約: 連続構造健康モニタリング(SHM)とNDE統合非破壊評価(Integrated Nondestructive Evaluation(NDE))において、圧電性ナノコンポジット材料が注目されている。 電気インピーダンストモグラフィー(EIT)は重要な限界に悩まされており、計算に高価であり、損傷形態に関する不明瞭な情報を提供し、もし近接していれば複数の損傷を見逃す可能性がある。 EITデータからサイズ、数、位置などの損傷指標を定量化するために、新しいニューラルネットワークアプローチを適用する。 以上の結果から,ネットワークは99.2%の精度で損傷数を予測することができ,平均半径に対して平均2.46%の誤差で損傷サイズを定量化できることがわかった。
• 参考スコア（独自算出の注目度）: 7.272791116569247
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous structural health monitoring (SHM) and integrated nondestructive evaluation (NDE) are important for ensuring the safe operation of high-risk engineering structures. Recently, piezoresistive nanocomposite materials have received much attention for SHM and NDE. These materials are self-sensing because their electrical conductivity changes in response to deformation and damage. Combined with electrical impedance tomography (EIT), it is possible to map deleterious effects. However, EIT suffers from important limitations -- it is computationally expensive, provides indistinct information on damage shape, and can miss multiple damages if they are close together. In this article we apply a novel neural network approach to quantify damage metrics such as size, number, and location from EIT data. This network is trained using a simulation routine calibrated to experimental data for a piezoresistive carbon nanofiber-modified epoxy. Our results show that the network can predict the number of damages with 99.2% accuracy, quantify damage size with respect to the averaged radius at an average of 2.46% error, and quantify damage position with respect to the domain length at an average of 0.89% error. These results are an important first step in translating the combination of self-sensing materials and EIT to real-world SHM and NDE.
• Abstract（参考訳）: 高リスク構造物の安全運転を確保するためには, 連続構造健康モニタリング(SHM)と非破壊評価(NDE)が重要である。 近年, 耐圧性ナノコンポジット材料はSHMとNDEに大きな注目を集めている。 これらの材料は、変形や損傷に応じて電気伝導度が変化するため、自己感知する。 電気インピーダンストモグラフィ(EIT)と組み合わせることで、有害な効果をマッピングすることができる。 しかし、eitは重要な制限に苦しむ -- 計算コストが高く、損傷形状に関する不明瞭な情報を提供し、近接すれば複数の損傷を見逃す可能性がある。 本稿では、EITデータからサイズ、数、位置などの損傷指標を定量化するために、新しいニューラルネットワークアプローチを適用する。 このネットワークは、ピエゾ抵抗性カーボンナノファイバー修飾エポキシの実験データに調整されたシミュレーションルーチンを用いて訓練される。 その結果, ネットワークは, 99.2%の精度で損傷数を予測し, 平均半径2.46%の誤差で損傷の大きさを定量化し, 平均0.89%の誤差でドメイン長に対する損傷位置を定量化できることがわかった。 これらの結果は、実世界のSHMとNDEに自己認識材料とEITの組み合わせを翻訳する上で重要な第一歩である。

関連論文リスト

• Unsupervised dMRI Artifact Detection via Angular Resolution Enhancement and Cycle Consistency Learning [45.3610312584439]
  拡散磁気共鳴イメージング(dMRI)は神経画像研究において重要な技術であり、脳組織の基盤構造を非侵襲的に探究することができる。 臨床dMRIデータは、取得中に様々なアーティファクトに影響を受けやすいため、信頼性の低いその後の分析に繋がる可能性がある。 我々は、$textbfU$n $textbfd$MRI $textbfA$rtifact $textbfD$etection via $textbfA$ngular Resolution Enhancement and $textbfC$ycleと呼ばれる新しい教師なしディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:56:10Z)
• Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs [61.080598804629375]
  慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。 この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。 我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。 本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-12-20T12:56:28Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Hybrid AI-based Anomaly Detection Model using Phasor Measurement Unit Data [0.41998444721319217]
  ファサー計測装置(PMU)を用いて電力システムを監視することは、将来有望な技術の一つである。 サイバー物理的相互作用の増加は、利点と欠点の両方をもたらし、そこでは、測定データの異常の形で欠点の1つが生まれる。 本稿では,PMUデータにおける異常検出の様々な手法に基づくハイブリッドAIベースモデルを開発することを目的とする。
  論文  参考訳（メタデータ） (2022-09-21T11:22:01Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Quantification of pulmonary involvement in COVID-19 pneumonia by means of a cascade oftwo U-nets: training and assessment on multipledatasets using different annotation criteria [83.83783947027392]
  本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。 2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。 LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
  論文  参考訳（メタデータ） (2021-05-06T10:21:28Z)
• Depth Evaluation for Metal Surface Defects by Eddy Current Testing using Deep Residual Convolutional Neural Networks [15.430312336246724]
  渦電流試験(ECT)は金属表面欠陥の深さ評価に有効な手法である。 本稿では,最先端深層学習(DL)技術を用いた金属表面欠陥の自動深さ評価の課題に対処する。
  論文  参考訳（メタデータ） (2021-03-08T17:38:36Z)
• Neural networks for classification of strokes in electrical impedance tomography on a 3D head model [0.0]
  我々は、出血性脳卒中と虚血性脳梗塞の分類のために、2つのニューラルネットワークアーキテクチャー、完全に接続されたアーキテクチャと畳み込みアーキテクチャーを使用します。 それらのネットワークは、合成電極測定の4万ドルのサンプルを持つデータセットで訓練されている。 次に、より複雑なストロークモデルを用いて、見えないEITデータのいくつかのデータセット上でネットワークをテストする。
  論文  参考訳（メタデータ） (2020-11-05T14:22:05Z)
• Crafting Adversarial Examples for Deep Learning Based Prognostics (Extended Version) [0.0]
  State-of-the-the-the-art Prognostics and Health Management (PHM)システムには、Deep Learning (DL)アルゴリズムとInternet of Things (IoT)デバイスが組み込まれている。 本稿では,コンピュータビジョン領域からの逆例作成手法を採用し,PHM領域に適用する。 我々は、NASAのターボファンエンジンデータセットを用いて、敵攻撃の影響を評価する。
  論文  参考訳（メタデータ） (2020-09-21T19:43:38Z)
• Multi-Objective Variational Autoencoder: an Application for Smart Infrastructure Maintenance [1.2311105789643062]
  マルチウェイセンシングデータにおけるスマートインフラストラクチャ損傷検出と診断のための多目的変分オートエンコーダ(MVA)手法を提案する。 そこで本手法では,複数のセンサから情報的特徴を抽出し,損傷同定に活用する。
  論文  参考訳（メタデータ） (2020-03-11T01:30:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。