論文の概要: Seeing Structural Failure Before it Happens: An Image-Based Physics-Informed Neural Network (PINN) for Spaghetti Bridge Load Prediction

• arxiv url: http://arxiv.org/abs/2510.23117v1
• Date: Mon, 27 Oct 2025 08:38:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.497301
• Title: Seeing Structural Failure Before it Happens: An Image-Based Physics-Informed Neural Network (PINN) for Spaghetti Bridge Load Prediction
• Title（参考訳）: 画像に基づく物理インフォームドニューラルネットワーク(PINN)によるスパゲッティ橋荷重予測
• Authors: Omer Jauhar Khan, Sudais Khan, Hafeez Anwar,
• Abstract要約: 本稿では,小型スパゲッティ橋の重量予測におけるPINNの利用について検討する。 我々は、普遍関数近似理論と物理的洞察をブレンドする「物理インフォームド・コルモゴロフ・アーノルドネットワーク」という新しいアーキテクチャを導入する。 我々のデータセットは15の実際のブリッジを含み、100のサンプルに拡張され、最良のモデルは0.9603のR2$スコアと10.50の平均絶対誤差(MAE)を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics Informed Neural Networks (PINNs) are gaining attention for their ability to embed physical laws into deep learning models, which is particularly useful in structural engineering tasks with limited data. This paper aims to explore the use of PINNs to predict the weight of small scale spaghetti bridges, a task relevant to understanding load limits and potential failure modes in simplified structural models. Our proposed framework incorporates physics-based constraints to the prediction model for improved performance. In addition to standard PINNs, we introduce a novel architecture named Physics Informed Kolmogorov Arnold Network (PIKAN), which blends universal function approximation theory with physical insights. The structural parameters provided as input to the model are collected either manually or through computer vision methods. Our dataset includes 15 real bridges, augmented to 100 samples, and our best model achieves an $R^2$ score of 0.9603 and a mean absolute error (MAE) of 10.50 units. From applied perspective, we also provide a web based interface for parameter entry and prediction. These results show that PINNs can offer reliable estimates of structural weight, even with limited data, and may help inform early stage failure analysis in lightweight bridge designs. The complete data and code are available at https://github.com/OmerJauhar/PINNS-For-Spaghetti-Bridges.
• Abstract（参考訳）: 物理情報ニューラルネットワーク(PINN)は、物理法則をディープラーニングモデルに組み込む能力に注目されている。 本稿では,小型のスパゲッティ橋の重量予測におけるPINNの利用を検討することを目的とする。 提案フレームワークは,物理に基づく制約を予測モデルに組み込んで性能改善を行う。 標準PINNに加えて、普遍関数近似理論と物理的洞察を融合した物理インフォームド・コルモゴロフ・アーノルドネットワーク(PIKAN)という新しいアーキテクチャを導入する。 モデルへの入力として提供される構造パラメータは、手動またはコンピュータビジョンによって収集される。 我々のデータセットには15の実橋と100のサンプルが含まれており、最良のモデルは0.9603のR^2$スコアと10.50単位の平均絶対誤差(MAE)を達成している。 適用の観点からは、パラメータの入力と予測のためのWebベースのインターフェースも提供します。 これらの結果から, PINNは, 限られたデータであっても信頼性の高い構造量の推定が可能であり, 軽量橋梁設計における早期の故障解析に役立つ可能性が示唆された。 完全なデータとコードはhttps://github.com/OmerJauhar/PINNS-For-Spaghetti-Bridgesで入手できる。

関連論文リスト

• Modelling of Underwater Vehicles using Physics-Informed Neural Networks with Control [1.9343033692333778]
  物理インフォームドニューラルネットワーク(PINN)は、物理法則をデータ駆動モデルと統合し、一般化とサンプル効率を改善する。 本研究は,水中車両の力学をモデル化するために設計された物理情報ニューラルネットワーク制御フレームワークのオープンソース実装を紹介する。
  論文  参考訳（メタデータ） (2025-04-28T17:38:57Z)
• NNsight and NDIF: Democratizing Access to Open-Weight Foundation Model Internals [58.83169560132308]
  NNsightとNDIFを導入し、非常に大きなニューラルネットワークによって学習された表現と計算の科学的研究を可能にする。
  論文  参考訳（メタデータ） (2024-07-18T17:59:01Z)
• NAR-Former: Neural Architecture Representation Learning towards Holistic Attributes Prediction [37.357949900603295]
  本稿では,属性の全体的推定に使用できるニューラルネットワーク表現モデルを提案する。 実験の結果,提案するフレームワークは,セルアーキテクチャとディープニューラルネットワーク全体の遅延特性と精度特性を予測できることがわかった。
  論文  参考訳（メタデータ） (2022-11-15T10:15:21Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
  スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。 提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
  論文  参考訳（メタデータ） (2021-03-02T03:09:06Z)
• Tidying Deep Saliency Prediction Architectures [6.613005108411055]
  本稿では,入力特徴,マルチレベル統合,読み出しアーキテクチャ,損失関数の4つの主成分を同定する。 我々はSimpleNet と MDNSal という2つの新しいエンドツーエンドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-03-10T19:34:49Z)

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。