論文の概要: Prediction of Ultrasonic Guided Wave Propagation in Solid-fluid and
their Interface under Uncertainty using Machine Learning
- arxiv url: http://arxiv.org/abs/2105.02813v1
- Date: Tue, 30 Mar 2021 01:05:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-06 03:14:56.241628
- Title: Prediction of Ultrasonic Guided Wave Propagation in Solid-fluid and
their Interface under Uncertainty using Machine Learning
- Title（参考訳）: 機械学習による固体流体中の超音波導波伝播の予測とその不確実性下での界面
- Authors: Subhayan De, Bhuiyan Shameem Mahmood Ebna Hai, Alireza Doostan, Markus
Bause
- Abstract要約: 我々は,構造物の材料および幾何学的特性の不確かさを考慮し,既存研究を推し進める。
本研究では,不確実性の下での多物理問題の解法に固有の複雑性に対処する効率的なアルゴリズムを開発する。
提案手法は不確実性が存在する場合にWpFSI問題を正確に予測する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Structural health monitoring (SHM) systems use the non-destructive testing
principle for damage identification. As part of SHM, the propagation of
ultrasonic guided waves (UGWs) is tracked and analyzed for the changes in the
associated wave pattern. These changes help identify the location of a
structural damage, if any. We advance existing research by accounting for
uncertainty in the material and geometric properties of a structure. The
physics model used in this study comprises of a monolithically coupled system
of acoustic and elastic wave equations, known as the wave propagation in
fluid-solid and their interface (WpFSI) problem. As the UGWs propagate in the
solid, fluid, and their interface, the wave signal displacement measurements
are contrasted against the benchmark pattern. For the numerical solution, we
develop an efficient algorithm that successfully addresses the inherent
complexity of solving the multiphysics problem under uncertainty. We present a
procedure that uses Gaussian process regression and convolutional neural
network for predicting the UGW propagation in a solid-fluid and their interface
under uncertainty. First, a set of training images for different realizations
of the uncertain parameters of the inclusion inside the structure is generated
using a monolithically-coupled system of acoustic and elastic wave equations.
Next, Gaussian processes trained with these images are used for predicting the
propagated wave with convolutional neural networks for further enhancement to
produce high-quality images of the wave patterns for new realizations of the
uncertainty. The results indicate that the proposed approach provides an
accurate prediction for the WpFSI problem in the presence of uncertainty.
- Abstract（参考訳）: 構造ヘルスモニタリング(shm)システムは、損傷識別に非破壊検査原理を使用する。
SHMの一部として、超音波誘導波(UGW)の伝搬を追跡し、関連する波動パターンの変化を解析する。
これらの変化は、構造的な損傷の位置を特定するのに役立つ。
我々は,構造物の材料および幾何学的特性の不確かさを考慮し,既存研究を推し進める。
本研究で用いられる物理モデルは,流体固体における波動伝播と界面(WpFSI)問題として知られる,音波および弾性波動方程式のモノリシック結合系からなる。
UGWは固体、流体、およびその界面に伝播するので、波信号の変位測定はベンチマークパターンと対比される。
数値解法として,不確実性下での多量体問題に対する本質的複雑性をうまく解決する効率的なアルゴリズムを開発した。
固体流体中のUGW伝播とその界面の不確実性を予測するために,ガウス過程回帰と畳み込みニューラルネットワークを用いた手法を提案する。
まず,音波方程式と弾性波方程式をモノリシックに結合したシステムを用いて,構造内に含まれる不確かさパラメータの異なる実現のためのトレーニング画像を生成する。
次に、これらの画像で訓練されたガウス過程を用いて、畳み込みニューラルネットワークによる伝播波の予測を行い、不確実性の新しい実現のための高品質な波形パターンの画像を生成する。
その結果,提案手法は不確実性が存在する場合のWpFSI問題を正確に予測できることを示した。
関連論文リスト
- WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
深部画像登録は異常な精度と高速な推測を示した。
近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。
本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
論文 参考訳（メタデータ） (2024-07-18T11:51:01Z) - Stochastic full waveform inversion with deep generative prior for uncertainty quantification [0.0]
フルウェーブフォーム・インバージョン(FWI)は非線形でしばしば不均一な逆問題を解決する。
FWIは、局所的なミニマトラップや不確実性の不十分な処理といった課題を提示している。
本研究では,ベイジアン逆転に対する物理パラメータの事前分布として,深部生成モデルを活用することを提案する。
論文 参考訳（メタデータ） (2024-06-07T11:44:50Z) - Data assimilation and parameter identification for water waves using the
nonlinear Schr\"{o}dinger equation and physics-informed neural networks [0.3495246564946556]
波高計などのその場観測装置を用いた深海重力波の上昇の測定は、典型的にはスパースデータを出力する。
この分散性は、設置の労力と高い運用コストのために、限られた数のゲージが配置されたことから生じる。
本稿では、物理インフォームドニューラルネットワーク(PINN)を用いて、物理的に一貫した波動場を再構成する手法を提案する。
論文 参考訳（メタデータ） (2024-01-08T07:35:48Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Machine learning for phase-resolved reconstruction of nonlinear ocean
wave surface elevations from sparse remote sensing data [37.69303106863453]
ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。
提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
論文 参考訳（メタデータ） (2023-05-18T12:30:26Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Variational waveguide QED simulators [58.720142291102135]
導波管QEDシミュレータは1次元フォトニックバンドギャップ材料と相互作用する量子エミッタによって構成される。
ここでは、これらの相互作用がより効率的な変分量子アルゴリズムを開発するためのリソースとなることを実証する。
論文 参考訳（メタデータ） (2023-02-03T18:55:08Z) - Momentum Diminishes the Effect of Spectral Bias in Physics-Informed
Neural Networks [72.09574528342732]
物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。
彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。
本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
論文 参考訳（メタデータ） (2022-06-29T19:03:10Z) - Detection of magnetohydrodynamic waves by using machine learning [4.680040836136128]
様々な種類のMHD波の同定は、このような複雑な波動パターンにおいて重要かつ困難な課題である。
本稿では,畳み込みニューラルネットワーク(CNN)を用いた2つのMHD波検出手法を提案する。
論文 参考訳（メタデータ） (2022-06-15T07:35:27Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Fourier Neural Operator Networks: A Fast and General Solver for the
Photoacoustic Wave Equation [1.7205106391379026]
同質媒質における2次元光音響波動方程式の解法として,高速なデータ駆動深層学習法を適用した。
我々はFNOネットワークが小さな誤差で同等のシミュレーションを発生し、桁違いに高速であったことを示す。
論文 参考訳（メタデータ） (2021-08-20T21:09:53Z)
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。