論文の概要: A Physics Prior-Guided Dual-Stream Attention Network for Motion Prediction of Elastic Bragg Breakwaters

• arxiv url: http://arxiv.org/abs/2510.14250v1
• Date: Thu, 16 Oct 2025 03:06:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.692468
• Title: A Physics Prior-Guided Dual-Stream Attention Network for Motion Prediction of Elastic Bragg Breakwaters
• Title（参考訳）: 弾性ブラッグブレークウォーターの運動予測のための物理先導デュアルストリームアテンションネットワーク
• Authors: Lianzi Jiang, Jianxin Zhang, Xinyu Han, Huanhe Dong, Xiangrong Wang,
• Abstract要約: 従来のディープラーニングモデルは、目に見えない海の状態を示すとき、限定的な一般化能力を示すことが多い。 本研究は,PhysAttnNet(PhysAttnNet)を用いた物理優先型デュアルストリームアテンションネットワークを提案する。 ウェーブ・フラム・データセットの実験では、PhysAttnNetが主流モデルを大幅に上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 7.146484689550911
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate motion response prediction for elastic Bragg breakwaters is critical for their structural safety and operational integrity in marine environments. However, conventional deep learning models often exhibit limited generalization capabilities when presented with unseen sea states. These deficiencies stem from the neglect of natural decay observed in marine systems and inadequate modeling of wave-structure interaction (WSI). To overcome these challenges, this study proposes a novel Physics Prior-Guided Dual-Stream Attention Network (PhysAttnNet). First, the decay bidirectional self-attention (DBSA) module incorporates a learnable temporal decay to assign higher weights to recent states, aiming to emulate the natural decay phenomenon. Meanwhile, the phase differences guided bidirectional cross-attention (PDG-BCA) module explicitly captures the bidirectional interaction and phase relationship between waves and the structure using a cosine-based bias within a bidirectional cross-computation paradigm. These streams are synergistically integrated through a global context fusion (GCF) module. Finally, PhysAttnNet is trained with a hybrid time-frequency loss that jointly minimizes time-domain prediction errors and frequency-domain spectral discrepancies. Comprehensive experiments on wave flume datasets demonstrate that PhysAttnNet significantly outperforms mainstream models. Furthermore,cross-scenario generalization tests validate the model's robustness and adaptability to unseen environments, highlighting its potential as a framework to develop predictive models for complex systems in ocean engineering.
• Abstract（参考訳）: 弾性ブラッグブレークウォーターの正確な動き応答予測は、海洋環境におけるその構造的安全性と運用上の整合性に重要である。 しかし、従来のディープラーニングモデルは、目に見えない海の状態を示すとき、限定的な一般化能力を示すことが多い。 これらの欠陥は、海洋系で観測される自然崩壊の無視と、波-構造相互作用(WSI)の不十分なモデリングに起因している。 これらの課題を克服するため,本研究ではPhysAttnNet(PhysAttnNet)を新たに提案する。 第一に、DBSAモジュールは学習可能な時間減衰を組み込んで、最近の状態により高い重みを割り当て、自然崩壊現象をエミュレートすることを目的としている。 一方、PDG-BCAモジュールの位相差は、双方向計算パラダイム内のコサインベースのバイアスを用いて、波と構造の間の双方向相互作用と位相関係を明示的に捉えている。 これらのストリームは、グローバルコンテキスト融合(GCF)モジュールを通じて相乗的に統合される。 最後に、PhysAttnNetは、時間領域予測エラーと周波数領域スペクトルの相違を共同で最小化する、ハイブリッド時間周波数損失を訓練する。 ウェーブ・フラム・データセットに関する総合的な実験により、PhysAttnNetは主流のモデルよりも大幅に優れていることが示された。 さらに、クロスシナリオの一般化テストでは、このモデルの堅牢性と未確認環境への適応性を検証し、海洋工学における複雑なシステムの予測モデルを開発するためのフレームワークとしての可能性を強調している。

関連論文リスト

• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• Topological Regularization for Force Prediction in Active Particle Suspension with EGNN and Persistent Homology [0.0]
  3つの学習駆動ツールを組み合わせて1つのパイプライン内で学習する,マルチスケールフレームワークを提案する。 学習パイプラインへの入力として,周期箱内の流体速度と粒子応力の高分解能Lattice Boltzmannスナップショットを用いる。
  論文  参考訳（メタデータ） (2025-09-08T11:39:42Z)
• A Causality- and Frequency-Aware Deep Learning Framework for Wave Elevation Prediction Behind Floating Breakwaters [7.667077185318874]
  既存のディープラーニングアプローチは、目に見えない操作条件下での限定的な一般化能力を示す。 E2E-FANetは、波と構造物の関係をモデル化するために設計された、新しいエンドツーエンドニューラルネットワークである。 主流モデルと比較して予測精度とロバストな一般化を実現している。
  論文  参考訳（メタデータ） (2025-05-10T16:28:48Z)
• Predicting Wave Dynamics using Deep Learning with Multistep Integration Inspired Attention and Physics-Based Loss Decomposition [0.0]
  本研究では,流体媒質中の波動伝搬をデータ駆動で予測するための物理に基づくディープラーニングフレームワークを提案する。 提案手法は、遅延表現を減らし、注意に基づくリカレントニューラルネットワークとデノナイジングベースの畳み込みオートエンコーダを組み合わせたものである。 MI2A フレームワークは長期予測の精度と安定性を著しく向上することを示す。
  論文  参考訳（メタデータ） (2025-04-15T17:47:20Z)
• Topology-Aware Conformal Prediction for Stream Networks [54.505880918607296]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• Kinematically consistent recurrent neural networks for learning inverse problems in wave propagation [0.0]
  そこで我々は,新しい運動論的に整合した物理に基づく機械学習モデルを提案する。 特に,波動伝搬における逆問題について物理的に解釈可能な学習を試みる。 控えめなトレーニングデータであっても、このキネマティック一貫性のあるネットワークは、通常のLSTM予測の誤り規範である$L_infty$を、それぞれ約45%と55%削減することができる。
  論文  参考訳（メタデータ） (2021-10-08T05:51:32Z)
• Feedback-induced instabilities and dynamics in the Jaynes-Cummings model [62.997667081978825]
  時間遅延コヒーレントフィードバックを受けるJaynes-Cummingsモデルのコヒーレンスと定常状態特性について検討する。 導入されたフィードバックは、システムの動的応答と定常量子特性を質的に修正する。
  論文  参考訳（メタデータ） (2020-06-20T10:07:01Z)

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。