論文の概要: A Certifiable Machine Learning-Based Pipeline to Predict Fatigue Life of Aircraft Structures

• arxiv url: http://arxiv.org/abs/2509.10227v1
• Date: Fri, 12 Sep 2025 13:18:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:08.097766
• Title: A Certifiable Machine Learning-Based Pipeline to Predict Fatigue Life of Aircraft Structures
• Title（参考訳）: 航空機構造物の疲労寿命予測のための機械学習に基づく認定パイプライン
• Authors: Ángel Ladrón, Miguel Sánchez-Domínguez, Javier Rozalén, Fernando R. Sánchez, Javier de Vicente, Lucas Lacasa, Eusebio Valero, Gonzalo Rubio,
• Abstract要約: 本稿では,異なる航空機の翼位置の疲労寿命を推定する機械学習パイプラインを提案する。 疲労寿命推定の現実的なユースケースでパイプラインを検証し,正確な予測を行う。
• 参考スコア（独自算出の注目度）: 35.04814222610039
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fatigue life prediction is essential in both the design and operational phases of any aircraft, and in this sense safety in the aerospace industry requires early detection of fatigue cracks to prevent in-flight failures. Robust and precise fatigue life predictors are thus essential to ensure safety. Traditional engineering methods, while reliable, are time consuming and involve complex workflows, including steps such as conducting several Finite Element Method (FEM) simulations, deriving the expected loading spectrum, and applying cycle counting techniques like peak-valley or rainflow counting. These steps often require collaboration between multiple teams and tools, added to the computational time and effort required to achieve fatigue life predictions. Machine learning (ML) offers a promising complement to traditional fatigue life estimation methods, enabling faster iterations and generalization, providing quick estimates that guide decisions alongside conventional simulations. In this paper, we present a ML-based pipeline that aims to estimate the fatigue life of different aircraft wing locations given the flight parameters of the different missions that the aircraft will be operating throughout its operational life. We validate the pipeline in a realistic use case of fatigue life estimation, yielding accurate predictions alongside a thorough statistical validation and uncertainty quantification. Our pipeline constitutes a complement to traditional methodologies by reducing the amount of costly simulations and, thereby, lowering the required computational and human resources.
• Abstract（参考訳）: 疲労寿命予測は、航空機の設計と運用の両方の段階において必須であり、この意味での航空宇宙業界の安全には、飛行中の故障を防ぐために疲労き裂の早期発見が必要である。 したがって、安全を確保するためには、ロバストで正確な疲労寿命予測器が不可欠である。 従来のエンジニアリング手法は信頼性はあるものの、いくつかの有限要素法(FEM)シミュレーションの実行、期待される負荷スペクトルの導出、ピークバレーやレインフローカウントといったサイクルカウント技術の適用など、複雑なワークフローに時間を要する。 これらのステップは、複数のチームとツール間のコラボレーションを必要とし、疲労寿命予測を達成するのに必要な計算時間と労力を追加します。 機械学習(ML)は、従来の疲労寿命推定手法を有望に補完し、より高速なイテレーションと一般化を可能にし、従来のシミュレーションと並行して意思決定を導くクイック見積を提供する。 本稿では,航空機が運用期間を通じて運用する異なるミッションの飛行パラメータから,航空機の翼位置の疲労寿命を推定することを目的としたMLパイプラインを提案する。 疲労寿命推定の現実的なユースケースでパイプラインを検証し,詳細な統計的検証と不確実性定量化とともに正確な予測を行う。 我々のパイプラインは、コストのかかるシミュレーションの量を減らし、必要な計算資源と人的資源を減らし、従来の手法を補完する。

関連論文リスト

• Dynamic Mixture of Progressive Parameter-Efficient Expert Library for Lifelong Robot Learning [69.81148368677593]
  ジェネラリストのエージェントは生涯を通じて継続的に学び、適応し、破滅的な忘れを最小化しながら効率的な転送を実現する必要がある。 従来の研究は、シングルタスク適応のためのパラメータ効率の良い微調整を探索し、少数のパラメータで凍結事前訓練されたモデルを効果的に操る。 本稿では,生涯にわたるロボット学習のためのDMPEL(Dynamic Mixture of Progressive Efficient Expert Library)を提案する。 我々のフレームワークは、トレーニング可能な最小限のパラメータと記憶を生かしながら、継続的な適応を通して成功率において、最先端の生涯学習方法よりも優れています。
  論文  参考訳（メタデータ） (2025-06-06T11:13:04Z)
• Reinforced Symbolic Learning with Logical Constraints for Predicting Turbine Blade Fatigue Life [9.473311013245587]
  本稿では,機械的特性と疲労寿命を関連付ける予測式を導出するReinforced Symbolic Learning (RSL)を提案する。 提案手法はGH4169とTC4の2つのタービンブレード材料を用いて評価した。 6つの経験式と5つの機械学習アルゴリズムと比較すると、RSLはより解釈可能な式を生成するだけでなく、優れた予測精度または同等の予測精度を達成する。
  論文  参考訳（メタデータ） (2024-11-18T12:01:48Z)
• Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
  継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。 本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。 以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-15T17:10:51Z)
• Multi-Dimensional Self Attention based Approach for Remaining Useful Life Estimation [0.17205106391379021]
  RUL(Remaining Useful Life)推定は、予後・健康管理(PHM)において重要な役割を担っている。 本稿では,IIoTシナリオにおけるマルチセンサデバイスのための生活予測モデルについて検討する。 本稿では,RUL推定のためのデータ駆動手法を提案する。
  論文  参考訳（メタデータ） (2022-12-12T08:50:27Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
  有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。 本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。 アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
  論文  参考訳（メタデータ） (2021-04-08T08:50:44Z)
• Data-driven method for real-time prediction and uncertainty quantification of fatigue failure under stochastic loading using artificial neural networks and Gaussian process regression [0.0]
  早期故障予測の方法は、工学、軍事、および市民の用途に不可欠です。 不確実性(UQ)は、リアルタイム意思決定の目的において重要である。
  論文  参考訳（メタデータ） (2021-03-11T13:57:08Z)
• Computational framework for real-time diagnostics and prognostics of aircraft actuation systems [0.0]
  本研究は, 信号取得, 故障検出と同定, 有用寿命推定の3段階に対処する。 この目的を達成するために、異なる忠実度を持つ物理モデルからの情報と機械学習技術を組み合わせることを提案する。 この手法は、二次飛行制御のための航空機の電気機械アクチュエータのFDIおよびRUL推定のために評価される。
  論文  参考訳（メタデータ） (2020-09-30T12:53:07Z)
• Clinical Risk Prediction with Temporal Probabilistic Asymmetric Multi-Task Learning [80.66108902283388]
  マルチタスク学習手法は、臨床リスク予測などの安全クリティカルな応用に注意を払って使用すべきである。 既存の非対称なマルチタスク学習手法は、低損失のタスクから高損失のタスクへの知識伝達を行うことにより、この負の伝達問題に対処する。 特徴レベルの不確実性に基づいて,特定のタスク/タイムステップから関連する不確実なタスクへの知識伝達を行う,新しい時間的非対称型マルチタスク学習モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-23T06:01:36Z)

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。