論文の概要: Physics-Informed Extreme Learning Machine (PIELM) for Tunnelling-Induced Soil-Pile Interactions
- arxiv url: http://arxiv.org/abs/2510.00698v1
- Date: Wed, 01 Oct 2025 09:17:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-03 16:59:20.492287
- Title: Physics-Informed Extreme Learning Machine (PIELM) for Tunnelling-Induced Soil-Pile Interactions
- Title（参考訳）: 物理インフォームド・エクストリーム・ラーニング・マシン(PIELM)によるトンネル工事による土壌・杭の相互作用
- Authors: Fu-Chen Guo, Pei-Zhi Zhuang, Fei Ren, Hong-Ya Yue, He Yang,
- Abstract要約: 本研究では,物理インフォームド・エクストリーム・ラーニング・マシン (PIELM) フレームワークを提案する。
2つの応用例は、トンネル工事によって引き起こされる土壌と杭の相互作用に対する物理インフォームドおよびデータ駆動アプローチの重要な役割を強調している。
- 参考スコア（独自算出の注目度）: 2.686530156744263
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Physics-informed machine learning has been a promising data-driven and physics-informed approach in geotechnical engineering. This study proposes a physics-informed extreme learning machine (PIELM) framework for analyzing tunneling-induced soil-pile interactions. The pile foundation is modeled as an Euler-Bernoulli beam, and the surrounding soil is modeled as a Pasternak foundation. The soil-pile interaction is formulated into a fourth-order ordinary differential equation (ODE) that constitutes the physics-informed component, while measured data are incorporated into PIELM as the data-driven component. Combining physics and data yields a loss vector of the extreme learning machine (ELM) network, which is trained within 1 second by the least squares method. After validating the PIELM approach by the boundary element method (BEM) and finite difference method (FDM), parametric studies are carried out to examine the effects of ELM network architecture, data monitoring locations and numbers on the performance of PIELM. The results indicate that monitored data should be placed at positions where the gradients of pile deflections are significant, such as at the pile tip/top and near tunneling zones. Two application examples highlight the critical role of physics-informed and data-driven approach for tunnelling-induced soil-pile interactions. The proposed approach shows great potential for real-time monitoring and safety assessment of pile foundations, and benefits for intelligent early-warning systems in geotechnical engineering.
- Abstract（参考訳）: 物理インフォームド・機械学習は、地球工学における有望なデータ駆動型および物理インフォームド・アプローチである。
本研究では,物理インフォームド・エクストリーム・ラーニング・マシン (PIELM) フレームワークを提案する。
杭基礎はオイラー・ベルヌーリビームとしてモデル化され、周囲の土壌はパステルナック基礎としてモデル化されている。
物理インフォームド成分を構成する4階常微分方程式(ODE)に土壌と杭の相互作用を定式化し、測定データをデータ駆動成分としてPIELMに組み込む。
物理とデータを組み合わせることで、最小二乗法で1秒以内に訓練された極端学習機械(ELM)ネットワークの損失ベクトルが得られる。
境界要素法 (BEM) と有限差分法 (FDM) によるPIELM手法の検証の後, パラメトリック解析を行い, ELMネットワークアーキテクチャ, データ監視位置, 数値がPIELMの性能に与える影響について検討した。
その結果, モニタリングされたデータは, 杭先端/上部, トンネル近傍など, 杭変位の勾配が顕著な位置に配置されるべきであることがわかった。
2つの応用例は、トンネル工事によって引き起こされる土壌と杭の相互作用に対する物理インフォームドおよびデータ駆動アプローチの重要な役割を強調している。
提案手法は,杭基礎のリアルタイムモニタリングと安全性評価,および地盤工学における知的早期警戒システムの利点を示す。
関連論文リスト
- From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - Hybrid Generative Modeling for Incomplete Physics: Deep Grey-Box Meets Optimal Transport [48.06072022424773]
多くの実世界の系は、方程式の欠落や未知の項にのみ記述される。
これにより、物理モデルの分布は真のデータ生成過程(DGP)とは異なる。
非完全物理モデルを強化するために, 深層グレーボックスモデルと最適輸送法を組み合わせた新しいハイブリッド生成モデルを提案する。
論文 参考訳（メタデータ） (2025-06-27T13:23:27Z) - Leveraging Influence Functions for Resampling Data in Physics-Informed Neural Networks [45.752780408098765]
物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)を解くための強力なアプローチを提供する
PINNは最近、科学機械学習の分野で貴重なツールとして登場した。
論文 参考訳（メタデータ） (2025-06-19T16:21:14Z) - Physics Informed Machine Learning (PIML) methods for estimating the remaining useful lifetime (RUL) of aircraft engines [0.0]
本研究の目的は、新たに開発された物理情報機械学習(PIML)を用いて、残りの実用寿命(RUL)航空機エンジンの予測モデルを開発することである。
本稿では,NASAのC-MAPSS(Commercial Modular Aero-Propulsion System Simulation System)データについて概説する。
C-MAPSSは、古典的および深層学習手法でRUL予測に対処する、文献における多くの既存の研究を含む、よく研究されたデータセットである。
論文 参考訳（メタデータ） (2024-06-21T19:55:34Z) - A Physics-guided Generative AI Toolkit for Geophysical Monitoring [13.986582633154226]
フルウェーブフォーム・インバージョン(FWI)は地下探査において重要な役割を担っている。
物理原理で導かれる拡散モデルを用いて高忠実度速度マップを生成するEdGeoツールキットを提案する。
論文 参考訳（メタデータ） (2024-01-06T06:09:05Z) - Physics-Informed Deep Learning of Rate-and-State Fault Friction [0.0]
我々は, 前方問題と非線形欠陥摩擦パラメータの直接逆変換のためのマルチネットワークPINNを開発した。
本稿では1次元および2次元のストライク・スリップ断層に対する速度・状態摩擦を考慮した計算PINNフレームワークを提案する。
その結果, 断層におけるパラメータ逆転のネットワークは, 結合した物質変位のネットワークよりもはるかに優れていることがわかった。
論文 参考訳（メタデータ） (2023-12-14T23:53:25Z) - Differentiable modeling to unify machine learning and physical models
and advance Geosciences [38.92849886903847]
微分可能地科学モデリング(DG)の概念,適用性,意義について概説する。
微分可能(differentiable)とは、モデル変数に関する勾配を正確かつ効率的に計算すること。
予備的な証拠は、DGが機械学習よりも優れた解釈可能性と因果性を提供することを示している。
論文 参考訳（メタデータ） (2023-01-10T15:24:14Z) - Physics-Informed Neural Networks for Material Model Calibration from
Full-Field Displacement Data [0.0]
本研究では,実環境下でのフルフィールド変位と大域力データからモデルのキャリブレーションを行うためのPINNを提案する。
拡張PINNは、実験的な1次元データと合成フルフィールド変位データの両方から材料パラメータを識別できることを実証した。
論文 参考訳（メタデータ） (2022-12-15T11:01:32Z) - Data-Efficient Learning via Minimizing Hyperspherical Energy [48.47217827782576]
本稿では,少数の代表データを用いたスクラッチからのデータ効率学習の問題について考察する。
我々は,MHEに基づくアクティブラーニング(MHEAL)アルゴリズムを提案し,MHEALの包括的な理論的保証を提供する。
論文 参考訳（メタデータ） (2022-06-30T11:39:12Z) - Surface Warping Incorporating Machine Learning Assisted Domain
Likelihood Estimation: A New Paradigm in Mine Geology Modelling and
Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。
本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。
その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文 参考訳（メタデータ） (2021-02-15T10:37:52Z)
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。