論文の概要: Monitoring Time-Varying Changes of Historic Structures Through Photogrammetry-Driven Digital Twinning

• arxiv url: http://arxiv.org/abs/2407.18925v1
• Date: Tue, 9 Jul 2024 22:26:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-05 01:16:13.071470
• Title: Monitoring Time-Varying Changes of Historic Structures Through Photogrammetry-Driven Digital Twinning
• Title（参考訳）: 光電図駆動型デジタルツインニングによる歴史構造物の経時変化のモニタリング
• Authors: Xiangxiong Kong,
• Abstract要約: 文学における既存の研究は、主に特定の瞬間における構造的損傷を評価することに焦点を当てている。 グアム島のソレダード砦の検問所が、我々の枠組みを検証するために選ばれた。 本研究は,我々のデジタルツインフレームワークが経時劣化を効果的に監視できることを確認した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Historic structures are important for our society but could be prone to structural deterioration due to long service durations and natural impacts. Monitoring the deterioration of historic structures becomes essential for stakeholders to take appropriate interventions. Existing work in the literature primarily focuses on assessing the structural damage at a given moment instead of evaluating the development of deterioration over time. To address this gap, we proposed a novel five-component digital twin framework to monitor time-varying changes in historic structures. A testbed of a casemate in Fort Soledad on the island of Guam was selected to validate our framework. Using this testbed, key implementation steps in our digital twin framework were performed. The findings from this study confirm that our digital twin framework can effectively monitor deterioration over time, which is an urgent need in the cultural heritage preservation community.
• Abstract（参考訳）: 歴史的構造は我々の社会にとって重要であるが、長いサービス期間と自然の影響により構造劣化しがちである。 歴史的建造物の劣化のモニタリングは、ステークホルダーが適切な介入をすることが不可欠である。 文献における既存の研究は主に、経時劣化の発生を評価するのではなく、特定の瞬間における構造的損傷を評価することに焦点を当てている。 このギャップに対処するため,歴史建造物の時間変化をモニタリングする新しい5成分デジタルツインフレームワークを提案した。 グアム島のソレダード砦の検問所が、我々の枠組みを検証するために選ばれた。 このテストベッドを使用して、ディジタルツインフレームワークにおける重要な実装ステップを実行しました。 本研究は,デジタル双生児の枠組みが時間とともに劣化を効果的に監視できることを示すものである。

関連論文リスト

• Visual Privacy Auditing with Diffusion Models [52.866433097406656]
  本稿では,拡散モデル(DM)に基づくリコンストラクション攻撃を提案する。 本研究では,(1)実世界のデータ漏洩が再建の成功に大きく影響すること,(2)現在のリビルド境界がデータ先行によるリスクをうまくモデル化していないこと,(3)DMは,プライバシー漏洩を可視化するための効果的な監査ツールとして機能すること,を示す。
  論文  参考訳（メタデータ） (2024-03-12T12:18:55Z)
• Nothing Stands Still: A Spatiotemporal Benchmark on 3D Point Cloud Registration Under Large Geometric and Temporal Change [86.44429778015657]
  人工空間の3次元幾何学地図の構築は、基本的なコンピュータビジョンとロボット工学である。 Not Stands Still (NSS)ベンチマークは、大きな空間的および時間的変化を行う3Dシーンの時間的登録に焦点を当てている。 NSSの一環として,建設中または改修中の大規模建築屋内環境において,3次元点雲のデータセットを連続的に取得する。
  論文  参考訳（メタデータ） (2023-11-15T20:09:29Z)
• Critical Learning Periods Emerge Even in Deep Linear Networks [102.89011295243334]
  クリティカルラーニング期間(Critical Learning periods)は、一時的な感覚障害が行動や学習表現に恒久的な影響を及ぼす発達初期の期間である。 生物学的ネットワークと人工ネットワークの急激な違いにもかかわらず、両方のシステムで臨界学習期間が経験的に観察されている。
  論文  参考訳（メタデータ） (2023-08-23T16:01:50Z)
• Deep learning for structural health monitoring: An application to heritage structures [7.174187754917523]
  ルッカのサン・フレディアーノ・ベル・タワーに記録された大規模なデータセットの異常を検査・検出するために,近年の深層学習技術を用いて時系列予測を行った。 我々は、この問題を教師なしの異常検出タスクとしてフレーム化し、テンポラルフュージョン変換器を訓練して、構造物の正常なダイナミクスを学習する。
  論文  参考訳（メタデータ） (2022-11-04T10:17:55Z)
• CycleGAN for Undamaged-to-Damaged Domain Translation for Structural Health Monitoring and Damage Detection [0.618778092044887]
  現在使用されているAIベースの損傷診断と予後診断のためのデータ駆動手法は、その構造の歴史的データを中心にしている。 本研究では,GAN(Generative Adversarial Networks, GAN, Cycle-Consistent Wasserstein Deep Convolutional GAN with Gradient Penalty (CycleWDCGAN-GP)モデルを用いた。 本研究の結果から, 本モデルでは, 将来的な損傷条件に対する構造の将来的な応答を正確に生成できることが示唆された。
  論文  参考訳（メタデータ） (2022-02-16T02:31:38Z)
• Digital Twins: State of the Art Theory and Practice, Challenges, and Open Research Questions [62.67593386796497]
  この研究は、様々なDT機能と現在のアプローチ、デジタルツインの実装と導入の遅れの背景にある欠点と理由を探求する。 この遅延の主な理由は、普遍的な参照フレームワークの欠如、ドメイン依存、共有データのセキュリティ上の懸念、デジタルツインの他の技術への依存、定量的メトリクスの欠如である。
  論文  参考訳（メタデータ） (2020-11-02T19:08:49Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)
• A Hierarchical Deep Convolutional Neural Network and Gated Recurrent Unit Framework for Structural Damage Detection [0.0]
  本稿では,空間的・時間的関係をモデル化する新しい階層型CNNと Gated Recurrent Unit (GRU) フレームワークを提案する。 提案したHCGは,既存の構造損傷検出法よりも優れていた。
  論文  参考訳（メタデータ） (2020-05-29T07:55:04Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)
• A Review of Vibration-Based Damage Detection in Civil Structures: From Traditional Methods to Machine Learning and Deep Learning Applications [20.47375627883094]
  構造物の寿命維持と維持には, 構造物の損傷モニタリングが極めて重要である。 機械学習(ML)や、特にディープラーニング(DL)アルゴリズムは、過去10年間のコンピューティングパワーとセンサー技術の発展に伴い、振動に基づく構造的損傷検出において、より実現可能で広範囲に使用されている。 本稿では,従来の手法のハイライトと,振動による土木構造物の損傷検出に利用したMLおよびDLアルゴリズムの最近の応用を概観する。
  論文  参考訳（メタデータ） (2020-04-09T05:39:21Z)

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。