論文の概要: Physics-guided impact localisation and force estimation in composite plates with uncertainty quantification
- arxiv url: http://arxiv.org/abs/2507.13376v1
- Date: Sun, 13 Jul 2025 16:17:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-21 20:43:26.046206
- Title: Physics-guided impact localisation and force estimation in composite plates with uncertainty quantification
- Title（参考訳）: 不確実な定量化を伴う複合板の物理誘導型衝撃局在と力推定
- Authors: Dong Xiao, Zahra Sharif-Khodaei, M. H. Aliabadi,
- Abstract要約: 本稿では,複合板の衝撃局部化と力推定のためのハイブリッドフレームワークを提案する。
これは、一階せん断変形理論(FSDT)のデータ駆動実装と機械学習と不確実性定量化を組み合わせたものである。
提案手法は, 複合空気構造物における衝撃モニタリングと構造的健康管理のために, スケーラブルで伝達可能なソリューションを提供する。
- 参考スコア（独自算出の注目度）: 2.526146573337397
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Physics-guided approaches offer a promising path toward accurate and generalisable impact identification in composite structures, especially when experimental data are sparse. This paper presents a hybrid framework for impact localisation and force estimation in composite plates, combining a data-driven implementation of First-Order Shear Deformation Theory (FSDT) with machine learning and uncertainty quantification. The structural configuration and material properties are inferred from dispersion relations, while boundary conditions are identified via modal characteristics to construct a low-fidelity but physically consistent FSDT model. This model enables physics-informed data augmentation for extrapolative localisation using supervised learning. Simultaneously, an adaptive regularisation scheme derived from the same model improves the robustness of impact force reconstruction. The framework also accounts for uncertainty by propagating localisation uncertainty through the force estimation process, producing probabilistic outputs. Validation on composite plate experiments confirms the framework's accuracy, robustness, and efficiency in reducing dependence on large training datasets. The proposed method offers a scalable and transferable solution for impact monitoring and structural health management in composite aerostructures.
- Abstract（参考訳）: 物理誘導型アプローチは、特に実験データが希薄である場合、複合構造における正確で一般化可能な影響同定への有望な道を提供する。
本稿では,1次せん断変形理論(FSDT)のデータ駆動型実装と機械学習と不確実性定量化を組み合わせた複合板の衝撃局所化と力推定のためのハイブリッドフレームワークを提案する。
構造構成と材料特性は分散関係から推定されるが, 境界条件はモード特性により同定され, 低忠実だが物理的に一貫したFSDTモデルが構築される。
このモデルは、教師あり学習を用いた外挿的ローカライゼーションのための物理インフォームドデータ拡張を可能にする。
同時に、同じモデルから導出される適応正則化スキームは、衝撃力再構成の堅牢性を向上させる。
このフレームワークは、力推定プロセスを通じて局所的な不確実性を伝播し、確率的アウトプットを生成することによって不確実性も説明できる。
複合板実験の検証は、大規模なトレーニングデータセットへの依存を減らすためのフレームワークの正確性、堅牢性、効率性を確認する。
提案手法は, 複合空気構造物における衝撃モニタリングと構造的健康管理のために, スケーラブルで伝達可能なソリューションを提供する。
関連論文リスト
- Doubly robust estimation of causal effects for random object outcomes with continuous treatments [8.874402662101234]
因果推論は統計学と科学的発見の中心である。
現代のアプリケーションは複雑で非ユークリッド的なデータ構造をますます含んでいる。
本稿では,非ユークリッドデータに適用した継続的治療による因果推論のための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2025-06-28T04:55:12Z) - Uncertainty-Aware Machine-Learning Framework for Predicting Dislocation Plasticity and Stress-Strain Response in FCC Alloys [9.066691897904875]
機械学習は構造材料の理解と応用を著しく進歩させてきた。
本研究では,混合密度ネットワーク(MDN)モデルを用いた包括的手法を提案する。
これらの予測分布の統計パラメータを転位媒介の塑性モデルに組み込むことで、正確な応力-ひずみ予測が可能になる。
論文 参考訳（メタデータ） (2025-06-25T21:18:14Z) - AlphaFold Database Debiasing for Robust Inverse Folding [58.792020809180336]
Debiasing Structure AutoEncoder (DeSAE)を導入し、故意に破損したバックボーンジオメトリからネイティブライクなコンフォーメーションを再構築することを学ぶ。
推測において、DeSAEをAFDB構造に適用すると、逆折り畳み性能を著しく向上する偏りのある構造が生成される。
論文 参考訳（メタデータ） (2025-06-10T02:25:31Z) - Decoupled Dynamics Framework with Neural Fields for 3D Spatio-temporal Prediction of Vehicle Collisions [1.474723404975345]
本研究では,グローバル剛体運動と局所構造変形を独立にモデル化し,3次元車両衝突ダイナミクスを予測するニューラルネットワークフレームワークを提案する。
2つの特殊なネットワークがフレームワークのコアを形成し、四元数ベースの剛性運動のためのRigid Netと局所的な変形のための座標ベースの変形ネットである。
利用可能なシミュレーションデータの10%しかトレーニングされていないこのモデルは、予測エラーを最大83%減らし、ベースラインモデルを大幅に上回っている。
論文 参考訳（メタデータ） (2025-03-25T14:38:37Z) - Constructing balanced datasets for predicting failure modes in structural systems under seismic hazards [1.192436948211501]
本研究では、異なる障害モードを含むバランスのとれたデータセットを構築するためのフレームワークを提案する。
ディープニューラルネットワークモデルは、データセットのバランシングの重要性を強調するために、バランスの取れたデータセットと不均衡なデータセットに基づいてトレーニングされる。
論文 参考訳（メタデータ） (2025-02-26T22:11:51Z) - Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。
本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-02T04:01:38Z) - Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。
この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。
提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文 参考訳（メタデータ） (2024-07-26T10:29:16Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳（メタデータ） (2024-01-25T09:18:51Z) - Stochastic stiffness identification and response estimation of
Timoshenko beams via physics-informed Gaussian processes [0.0]
本稿では,ティモシェンコビーム素子に対する物理インフォームドガウス過程(GP)モデルを提案する。
提案手法は, 構造パラメータの同定に有効であり, 異種・多要素センサからのデータを融合することができる。
論文 参考訳（メタデータ） (2023-09-21T08:22:12Z) - Robust Model-Based Optimization for Challenging Fitness Landscapes [96.63655543085258]
タンパク質の設計には、フィットネスのランドスケープの最適化が含まれる。
指導法は, トレーニングセットにおける高適合度サンプルの多彩さに課題を呈する。
デザイン空間における「分離」というこの問題は、既存のモデルベース最適化ツールにおいて重大なボトルネックとなっていることを示す。
本稿では,新しいVAEを検索モデルとして利用して問題を克服する手法を提案する。
論文 参考訳（メタデータ） (2023-05-23T03:47:32Z) - A Regularized Implicit Policy for Offline Reinforcement Learning [54.7427227775581]
オフラインの強化学習は、環境とのさらなるインタラクションなしに、固定データセットから学習を可能にする。
フレキシブルだが十分に調整された完全実装ポリシーの学習を支援するフレームワークを提案する。
D4RLデータセットの実験とアブレーション研究により、我々のフレームワークとアルゴリズム設計の有効性が検証された。
論文 参考訳（メタデータ） (2022-02-19T20:22:04Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z)
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。