論文の概要: Bayesian Physics Informed Neural Networks for Reliable Transformer Prognostics

• arxiv url: http://arxiv.org/abs/2509.15933v1
• Date: Fri, 19 Sep 2025 12:39:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.162245
• Title: Bayesian Physics Informed Neural Networks for Reliable Transformer Prognostics
• Title（参考訳）: ベイズ物理学インフォームドニューラルネットワークによる変圧器の信頼性診断
• Authors: Ibai Ramirez, Jokin Alcibar, Joel Pino, Mikel Sanz, David Pardo, Jose I. Aizpurua,
• Abstract要約: 本研究では,確率論的予測のためのベイズ物理学情報ニューラルネットワーク(B-PINN)フレームワークを提案する。 この枠組みは、太陽光発電プラントからの実測値を用いて開発され、試験された有限要素モデルに対して検証される。 その結果,提案したB-PINNは,予測の不確かさを正確に定量化することにより,より信頼性の高い予測を行うことを示した。
• 参考スコア（独自算出の注目度）: 1.53934570513443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific Machine Learning (SciML) integrates physics and data into the learning process, offering improved generalization compared with purely data-driven models. Despite its potential, applications of SciML in prognostics remain limited, partly due to the complexity of incorporating partial differential equations (PDEs) for ageing physics and the scarcity of robust uncertainty quantification methods. This work introduces a Bayesian Physics-Informed Neural Network (B-PINN) framework for probabilistic prognostics estimation. By embedding Bayesian Neural Networks into the PINN architecture, the proposed approach produces principled, uncertainty-aware predictions. The method is applied to a transformer ageing case study, where insulation degradation is primarily driven by thermal stress. The heat diffusion PDE is used as the physical residual, and different prior distributions are investigated to examine their impact on predictive posterior distributions and their ability to encode a priori physical knowledge. The framework is validated against a finite element model developed and tested with real measurements from a solar power plant. Results, benchmarked against a dropout-PINN baseline, show that the proposed B-PINN delivers more reliable prognostic predictions by accurately quantifying predictive uncertainty. This capability is crucial for supporting robust and informed maintenance decision-making in critical power assets.
• Abstract（参考訳）: 科学機械学習(SciML)は、物理とデータを学習プロセスに統合し、純粋にデータ駆動モデルと比較して一般化の改善を提供する。 その可能性にもかかわらず、SciMLの予後学への応用は、老化物理学に偏微分方程式(PDE)を組み込むことの複雑さと頑健な不確実な定量化法が不足していることから、制限されている。 本研究では,確率論的予測のためのベイズ物理学情報ニューラルネットワーク(B-PINN)フレームワークを提案する。 ベイズニューラルネットワークをPINNアーキテクチャに組み込むことで、提案手法は原則付き不確実性を考慮した予測を生成する。 本手法は, 断熱劣化が主に熱応力によって引き起こされる変圧器エージングケーススタディに適用される。 熱拡散PDEを物理残留物として利用し, 予測後部分布への影響と, 事前の物理知識を符号化する能力について検討した。 この枠組みは、太陽光発電プラントからの実測値を用いて開発され、試験された有限要素モデルに対して検証される。 その結果,提案したB-PINNは,予測の不確かさを正確に定量化することにより,より信頼性の高い予測を行うことを示した。 この能力は、重要な電力資産における堅牢で情報的な保守決定を支援するために不可欠である。

関連論文リスト

• Uncertainty Quantification for Physics-Informed Neural Networks with Extended Fiducial Inference [6.80557541703437]
  科学機械学習における不確かさの定量化はますます重要になっている。 物理インフォームドニューラルネットワーク(PINN)の場合、不確実性は通常ベイズ的あるいはドロップアウト的手法を用いて定量化される。 本稿では,PINNに対する厳密な不確実性定量化を実現するために,拡張フィデューシャル推論(EFI)の枠組み内での新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-05-25T13:18:13Z)
• Plug-and-Play Physics-informed Learning using Uncertainty Quantified Port-Hamiltonian Models [5.1732651331429516]
  この課題に対処するために,Plug-and-Play Physics-In Machine Learning (PIML) フレームワークを導入する。 提案手法では, 固有予測器から物理一貫性モデルへの切り換えを行うために, コンフォメーション予測を用いる。 このようにして、提案するフレームワークは、アウト・オブ・ディストリビューションシナリオであっても、信頼性の高い物理インフォームド予測を生成する。
  論文  参考訳（メタデータ） (2025-04-24T22:25:51Z)
• Calibrated Physics-Informed Uncertainty Quantification [16.985414812517252]
  本稿では,モデルに依存しない物理情報を用いた共形予測フレームワークを提案する。 このフレームワークはラベル付きデータを必要としない保証された不確実性推定を提供する。 さらに,核融合炉におけるプラズマモデリングおよびショット設計のためのニューラルPDEモデルについて検証した。
  論文  参考訳（メタデータ） (2025-02-06T09:23:06Z)
• Tractable Function-Space Variational Inference in Bayesian Neural Networks [72.97620734290139]
  ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。 本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。 提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-12-28T18:33:26Z)
• PICProp: Physics-Informed Confidence Propagation for Uncertainty Quantification [30.66285259412019]
  本稿では, 決定論的偏微分方程式の信頼区間推定を新しい問題として導入し, 研究する。 つまり、データロケーションからドメイン全体への信頼性を、確率的な保証を持って、CI形式で広めるのです。 重大な仮定を行なわずに有効なCIを計算するための2レベル最適化に基づくPICPropと呼ばれる手法を提案する。
  論文  参考訳（メタデータ） (2023-10-10T18:24:50Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Hessian-based toolbox for reliable and interpretable machine learning in physics [58.720142291102135]
  本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。 与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。 我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
  論文  参考訳（メタデータ） (2021-08-04T16:32:59Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。