論文の概要: Physics-Informed Neural Network based Damage Identification for Truss Railroad Bridges
- arxiv url: http://arxiv.org/abs/2502.00194v1
- Date: Fri, 31 Jan 2025 22:22:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 15:01:31.398139
- Title: Physics-Informed Neural Network based Damage Identification for Truss Railroad Bridges
- Title(参考訳): 物理インフォームニューラルネットワークを用いたトラス鉄道橋の損傷同定
- Authors: Althaf Shajihan, Kirill Mechitov, Girish Chowdhary, Billie F. Spencer Jr,
- Abstract要約: 鉄道橋は国内貨物の40%以上を輸送するアメリカの貨物鉄道システムにとって重要な部分である。
本研究では,鋼トラス橋梁の損傷同定のための物理インフォームドニューラルネットワーク(PINN)を提案する。
- 参考スコア(独自算出の注目度): 4.923031976899536
- License:
- Abstract: Railroad bridges are a crucial component of the U.S. freight rail system, which moves over 40 percent of the nation's freight and plays a critical role in the economy. However, aging bridge infrastructure and increasing train traffic pose significant safety hazards and risk service disruptions. The U.S. rail network includes over 100,000 railroad bridges, averaging one every 1.4 miles of track, with steel bridges comprising over 50% of the network's total bridge length. Early identification and assessment of damage in these bridges remain challenging tasks. This study proposes a physics-informed neural network (PINN) based approach for damage identification in steel truss railroad bridges. The proposed approach employs an unsupervised learning approach, eliminating the need for large datasets typically required by supervised methods. The approach utilizes train wheel load data and bridge response during train crossing events as inputs for damage identification. The PINN model explicitly incorporates the governing differential equations of the linear time-varying (LTV) bridge-train system. Herein, this model employs a recurrent neural network (RNN) based architecture incorporating a custom Runge-Kutta (RK) integrator cell, designed for gradient-based learning. The proposed approach updates the bridge finite element model while also quantifying damage severity and localizing the affected structural members. A case study on the Calumet Bridge in Chicago, Illinois, with simulated damage scenarios, is used to demonstrate the model's effectiveness in identifying damage while maintaining low false-positive rates. Furthermore, the damage identification pipeline is designed to seamlessly integrate prior knowledge from inspections and drone surveys, also enabling context-aware updating and assessment of bridge's condition.
- Abstract(参考訳): 鉄道橋はアメリカの貨物鉄道システムにとって重要な部分であり、これは国の貨物の40%以上を移動させ、経済において重要な役割を担っている。
しかし、老朽化した橋のインフラと列車の交通量の増加は、重大な安全上の危険とサービス障害を引き起こしている。
アメリカ合衆国の鉄道網は鉄道橋が10万本以上あり、平均で1.4マイル毎の鉄道橋が1本あり、鋼鉄の橋は橋の全長の50%以上を占めている。
これらの橋の損傷の早期発見と評価は依然として困難な課題である。
本研究では,鋼トラス橋梁の損傷同定のための物理インフォームドニューラルネットワーク(PINN)を提案する。
提案手法は教師なし学習アプローチを採用しており,教師付き手法が要求する大規模なデータセットの必要性を排除している。
この手法は、列車横断イベント中の車輪荷重データと橋梁応答を損傷識別の入力として利用する。
PINNモデルは、線形時間変化(LTV)ブリッジトレインシステムの制御微分方程式を明示的に取り入れている。
このモデルでは、勾配に基づく学習用に設計された独自のRunge-Kutta(RK)インテグレータセルを組み込んだ、リカレントニューラルネットワーク(RNN)ベースのアーキテクチャを採用している。
提案手法は橋梁有限要素モデルを更新し,損傷の深刻度を定量化し,構造物の局所化を行う。
イリノイ州シカゴのカルメット橋のケーススタディでは、被害の特定にモデルの有効性を実証し、偽陽性率を低く抑えている。
さらに、損傷識別パイプラインは、検査やドローン調査からの事前知識をシームレスに統合し、状況に応じたブリッジの状態の更新と評価を可能にするように設計されている。
関連論文リスト
- Intelligent Railroad Grade Crossing: Leveraging Semantic Segmentation and Object Detection for Enhanced Safety [0.11999555634662631]
RHGCの事故と遅れは、アメリカ合衆国連邦鉄道管理局(FRA)に重大な安全上の懸念をもたらす。
本研究では、機械学習とコンピュータビジョン技術を活用してRHGCの安全性を高めるインテリジェントシステムを提案する。
論文 参考訳(メタデータ) (2024-03-17T02:15:15Z) - Deep Learning Overloaded Vehicle Identification for Long Span Bridges
Based on Structural Health Monitoring Data [3.331125445667599]
過負荷車両識別のためのBWIM (bridge weigh-in-motion)法が普及している。
深層学習に基づく過負荷車両識別手法(DOVI)を提案する。
簡易支持梁と長尺ケーブルステイドブリッジを用いてランダムな交通流下でモデル評価を行った。
論文 参考訳(メタデータ) (2023-09-04T13:24:54Z) - Object-Size-Driven Design of Convolutional Neural Networks: Virtual Axle Detection based on Raw Data [0.0]
本研究では,橋梁上に任意に設置したセンサを用いた列車軸受のリアルタイム検出手法を提案する。
VADER(Virtual Axle Detector with Enhanced Receptive Field)の開発は、単線鉄道橋上で検証されている。
生データを入力として使用することで、最先端のスペクトログラムベースの手法をスピードとメモリ使用率の両方で99%向上させた。
論文 参考訳(メタデータ) (2023-09-04T12:53:54Z) - Wooden Sleeper Deterioration Detection for Rural Railway Prognostics
Using Unsupervised Deeper FCDDs [0.0]
本研究では, 鉄道部品の欠陥に対する深いFCDDを用いた一級損傷分類を自動化するための識別器パイプラインを考案した。
畳み込みニューラルネットワーク(CNN)を用いた深部骨のアブレーション研究も行った。
曇りの日当たりの後方から鉄道線路の映像取得データセットを用いた鉄道検査への適用を実演した。
論文 参考訳(メタデータ) (2023-05-09T00:16:49Z) - Detecting train driveshaft damages using accelerometer signals and
Differential Convolutional Neural Networks [67.60224656603823]
本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。
その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
論文 参考訳(メタデータ) (2022-11-15T15:04:06Z) - Reinforcement Learning based Cyberattack Model for Adaptive Traffic
Signal Controller in Connected Transportation Systems [61.39400591328625]
接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。
この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。
そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。
RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
論文 参考訳(メタデータ) (2022-10-31T20:12:17Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳(メタデータ) (2022-06-03T23:55:45Z) - Fault-Aware Design and Training to Enhance DNNs Reliability with
Zero-Overhead [67.87678914831477]
ディープニューラルネットワーク(DNN)は、幅広い技術的進歩を可能にする。
最近の知見は、過渡的なハードウェア欠陥がモデル予測を劇的に損なう可能性があることを示唆している。
本研究では,トレーニングとモデル設計の両面で信頼性の問題に取り組むことを提案する。
論文 参考訳(メタデータ) (2022-05-28T13:09:30Z) - Do Neural Optimal Transport Solvers Work? A Continuous Wasserstein-2
Benchmark [133.46066694893318]
最適輸送のためのニューラルネットワークに基づく解法の性能を評価する。
既存の解法では,下流タスクでは良好に機能するにもかかわらず,最適な輸送マップを復元できないことがわかった。
論文 参考訳(メタデータ) (2021-06-03T15:59:28Z) - Knowledge transfer between bridges for drive-by monitoring using
adversarial and multi-task learning [6.462702225377603]
車両の振動による橋梁の健康状態のモニタリングには、低コストや直接設置や設備の現場メンテナンスの必要がないなど、様々な利点がある。
このようなアプローチの多くは、すべての橋からのラベル付きデータを必要としており、これは高価で、不可能ではないとしても、入手するのに時間を要する。
ドメイン・アドバイザリ・トレーニングとマルチタスク・ラーニングを用いたトランスファー・ラーニング・フレームワークを導入し,損傷の検出,局所化,定量化を行う。
論文 参考訳(メタデータ) (2020-06-05T19:18:45Z) - 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)
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。