論文の概要: Localization of Impacts on Thin-Walled Structures by Recurrent Neural Networks: End-to-end Learning from Real-World Data

• arxiv url: http://arxiv.org/abs/2505.08362v1
• Date: Tue, 13 May 2025 09:08:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.496
• Title: Localization of Impacts on Thin-Walled Structures by Recurrent Neural Networks: End-to-end Learning from Real-World Data
• Title（参考訳）: リカレントニューラルネットワークによる薄肉構造への影響の局在:実世界データによるエンドツーエンド学習
• Authors: Alexander Humer, Lukas Grasboeck, Ayech Benjeddou,
• Abstract要約: 薄肉構造への影響は、圧電センサで測定できるラム波を励起する。 本稿では,ニューラルネットワークを用いた影響の局所化について検討する。 その結果,比較的小さなデータセットであっても,衝撃位置の推定精度は著しく向上した。
• 参考スコア（独自算出の注目度）: 45.9982965995401
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Today, machine learning is ubiquitous, and structural health monitoring (SHM) is no exception. Specifically, we address the problem of impact localization on shell-like structures, where knowledge of impact locations aids in assessing structural integrity. Impacts on thin-walled structures excite Lamb waves, which can be measured with piezoelectric sensors. Their dispersive characteristics make it difficult to detect and localize impacts by conventional methods. In the present contribution, we explore the localization of impacts using neural networks. In particular, we propose to use {recurrent neural networks} (RNNs) to estimate impact positions end-to-end, i.e., directly from {sequential sensor data}. We deal with comparatively long sequences of thousands of samples, since high sampling rate are needed to accurately capture elastic waves. For this reason, the proposed approach builds upon Gated Recurrent Units (GRUs), which are less prone to vanishing gradients as compared to conventional RNNs. Quality and quantity of data are crucial when training neural networks. Often, synthetic data is used, which inevitably introduces a reality gap. Here, by contrast, we train our networks using {physical data from experiments}, which requires automation to handle the large number of experiments needed. For this purpose, a {robot is used to drop steel balls} onto an {aluminum plate} equipped with {piezoceramic sensors}. Our results show remarkable accuracy in estimating impact positions, even with a comparatively small dataset.
• Abstract（参考訳）: 現在、機械学習はユビキタスであり、構造的健康モニタリング(SHM)も例外ではない。 具体的には, 衝突位置の知識が構造的整合性を評価するのに役立つ貝殻状構造物における衝撃局在化の問題に対処する。 薄肉構造への影響は、圧電センサで測定できるラム波を励起する。 これらの分散特性は、従来の方法による影響の検出とローカライズを困難にしている。 本稿では,ニューラルネットワークを用いた影響の局所化について検討する。 特に、逐次センサデータから直接、衝撃位置をエンドツーエンドに推定するために、 {recurrent Neural Network} (RNN) を提案する。 弾性波を正確に捉えるためには,高いサンプリングレートが必要であるため,比較的長いサンプル列を扱う。 このため、提案手法はGRU(Gated Recurrent Units)上に構築されており、従来のRNNに比べて勾配が消えやすい。 ニューラルネットワークをトレーニングする上では、データの質と量が非常に重要です。 しばしば合成データを使用し、必然的に現実のギャップを生じさせる。 対照的に、我々は実験から得られる物理データを使ってネットワークを訓練する。 この目的のために、ロボットは鋼球をピエゾケラミカルセンサーを備えたアルミニウム板に落下させる。 その結果,比較的小さなデータセットであっても,衝撃位置の推定精度は著しく向上した。

関連論文リスト

• CNN-Based Structural Damage Detection using Time-Series Sensor Data [0.0]
  本研究では,新しいコナールニューラルネットワーク(CNN)アルゴリズムを用いて,構造損傷検出の革新的なアプローチを提案する。 時系列データは、提案したニューラルネットワークを用いて2つのカテゴリに分けられる。 その結果,新しいCNNアルゴリズムは構造劣化の発見に極めて正確であることが示唆された。
  論文  参考訳（メタデータ） (2023-11-07T11:57:33Z)
• Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
  ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。 我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。 我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
  論文  参考訳（メタデータ） (2023-10-02T03:25:32Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Robustness of Physics-Informed Neural Networks to Noise in Sensor Data [0.0]
  PINNは、物理に基づくドメイン知識をニューラルネットワークモデルに組み込む効果的な方法であることが示されている。 本研究では、物理インフォームドニューラルネットワークのロバスト性について、データのノイズの大きさについて予備的な調査を行う。
  論文  参考訳（メタデータ） (2022-11-22T06:24:43Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Wireless Localisation in WiFi using Novel Deep Architectures [4.541069830146568]
  本稿では,コモディティ・チップセットと標準チャネル・サウンドによるWiFi機器の屋内位置推定について検討する。 本稿では、異なるアンテナで受信されたWiFiサブキャリアに対応するチャネル状態情報から特徴を抽出する、新しい浅層ニューラルネットワーク(SNN)を提案する。
  論文  参考訳（メタデータ） (2020-10-16T22:48:29Z)
• Inductive Graph Neural Networks for Spatiotemporal Kriging [13.666589510218738]
  ネットワーク/グラフ構造上のアンサンプリングセンサのデータを復元するインダクティブグラフニューラルネットワークモデルを開発した。 複数の実世界の時間的データセットに対する実験結果から,本モデルの有効性が示された。
  論文  参考訳（メタデータ） (2020-06-13T01:23:44Z)

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。