論文の概要: Continuous subsurface property retrieval from sparse radar observations using physics informed neural networks
- arxiv url: http://arxiv.org/abs/2510.25648v1
- Date: Wed, 29 Oct 2025 16:09:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-30 15:50:45.79764
- Title: Continuous subsurface property retrieval from sparse radar observations using physics informed neural networks
- Title（参考訳）: 物理情報ニューラルネットワークを用いたスパースレーダ観測からの連続地下特性の検索
- Authors: Ishfaq Aziz, Mohamad Alipour,
- Abstract要約: 本研究では, 地下誘電率を, 深さの完全なニューラルかつ連続的な関数として再構成する機械学習フレームワークを提案する。
このアプローチは境界駆動から連続特性推定への地下反転を再構成し、滑らかな誘電率変動の正確なキャラクタリゼーションを可能にする。
- 参考スコア（独自算出の注目度）: 0.3580891736370874
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating subsurface dielectric properties is essential for applications ranging from environmental surveys of soils to nondestructive evaluation of concrete in infrastructure. Conventional wave inversion methods typically assume few discrete homogeneous layers and require dense measurements or strong prior knowledge of material boundaries, limiting scalability and accuracy in realistic settings where properties vary continuously. We present a physics informed machine learning framework that reconstructs subsurface permittivity as a fully neural, continuous function of depth, trained to satisfy both measurement data and Maxwells equations. We validate the framework with both simulations and custom built radar experiments on multilayered natural materials. Results show close agreement with in-situ permittivity measurements (R^2=0.93), with sensitivity to even subtle variations (Delta eps_r=2). Parametric analysis reveals that accurate profiles can be recovered with as few as three strategically placed sensors in two layer systems. This approach reframes subsurface inversion from boundary-driven to continuous property estimation, enabling accurate characterization of smooth permittivity variations and advancing electromagnetic imaging using low cost radar systems.
- Abstract（参考訳）: 土壌の環境調査からインフラ内のコンクリートの非破壊評価まで, 地中誘電特性の推定が不可欠である。
従来の波動反転法は、通常、離散的な均質な層がほとんどなく、密度の高い測定や物質境界の強い事前知識を必要とし、特性が連続的に変化する現実的な環境でのスケーラビリティと精度を制限している。
本研究では, 地下誘電率を, 測定データとマクスウェル方程式の両方を満たすように訓練された, 完全にニューラルかつ連続的な深度関数として再構成する物理情報機械学習フレームワークを提案する。
シミュレーションおよび多層自然材料を用いたカスタムレーダー実験により,本フレームワークの有効性を検証した。
その結果, 微妙な変動 (Delta eps_r=2) に敏感なその場誘電率測定 (R^2=0.93) と密接な一致を示した。
パラメトリック分析により、2つの層に3つの戦略的に配置されたセンサーで正確なプロファイルを復元できることが明らかになった。
このアプローチは、境界駆動による地下のインバージョンから連続特性推定に再配置し、スムーズな誘電率変動の正確なキャラクタリゼーションと、低コストレーダーシステムによる電磁イメージングを可能にする。
関連論文リスト
- Three-dimensional inversion of gravity data using implicit neural representations [2.7372527234669115]
重力データのインバージョンは、多様な応用に関連する地下密度の変動を研究する重要な方法である。
ここでは,三次元重力インバージョンを連続場として表す科学的機械学習手法を提案する。
論文 参考訳（メタデータ） (2025-10-17T03:55:08Z) - PhySense: Sensor Placement Optimization for Accurate Physics Sensing [53.58729034895666]
PhySenseは、物理的なフィールドを共同で再構築し、センサー配置を最適化するフレームワークである。
最先端の物理センサーの精度を達成し、以前は考えられていなかった情報的なセンサー配置を発見する。
論文 参考訳（メタデータ） (2025-05-19T14:59:11Z) - Attention-Based Reconstruction of Full-Field Tsunami Waves from Sparse Tsunameter Networks [0.0]
本研究では,津波計ネットワークから予測を生成する津波データ同化手法に着目した。
本モデルは,高分解能津波波動場を極めてスパースな観測から再構成するために用いられる。
本研究では,Huygens-Fresnel Principle を用いた線形補間により,高密度観測ネットワークの生成において,線形補間を著しく上回っていることを示す。
論文 参考訳（メタデータ） (2024-11-20T00:42:40Z) - Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。
この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。
提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文 参考訳（メタデータ） (2024-07-26T10:29:16Z) - Artificial Neural Network for Estimation of Physical Parameters of Sea Water using LiDAR Waveforms [0.0]
フルウェーブフォームLiDARのポテンシャルは、単なる高さ推定や3D再構成よりもはるかに大きい。
既存のLiDARデータ解析の分野では、逆モデリングによる深さ推定や対数強度の回帰、減衰係数の近似のための深さ推定などがある。
本研究では,LIDARデータ解析におけるパラメータ推定のためのニューラルネットワークに基づく新しい解を提案する。
論文 参考訳（メタデータ） (2023-12-05T22:54:32Z) - Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。
提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
論文 参考訳（メタデータ） (2023-11-30T13:50:21Z) - 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) - Deep learning extraction of band structure parameters from density of
states: a case study on trilayer graphene [45.61296767255256]
包括的定量的理論の鍵となる要件は、材料のバンド構造パラメータの正確な決定である。
本稿では、ディープニューラルネットワークを用いた実験データからバンド構造パラメータを導出する一般的なフレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-12T15:24:42Z) - Information Entropy Initialized Concrete Autoencoder for Optimal Sensor
Placement and Reconstruction of Geophysical Fields [58.720142291102135]
そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。
本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。
得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
論文 参考訳（メタデータ） (2022-06-28T12:43:38Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z)
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。