論文の概要: A generative adversarial network optimization method for damage detection and digital twinning by deep AI fault learning: Z24 Bridge structural health monitoring benchmark validation

• arxiv url: http://arxiv.org/abs/2511.00099v1
• Date: Thu, 30 Oct 2025 16:04:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.589352
• Title: A generative adversarial network optimization method for damage detection and digital twinning by deep AI fault learning: Z24 Bridge structural health monitoring benchmark validation
• Title（参考訳）: ディープAIフォールトラーニングによる損傷検出とディジタルツインニングのための生成逆ネットワーク最適化手法:Z24ブリッジ構造健康モニタリングベンチマークの検証
• Authors: Marios Impraimakis, Evangelia Nektaria Palkanoglou,
• Abstract要約: スイスのZ24橋の構造的健康モニタリングのベンチマークで、教師なしのフレームワークを検証・検証した。 このフレームワークは、システムの状態に事前情報を必要としないため、現在の異常検出手法よりも優れている。 重要なことに、この手法は健全な測定に対する正確なダメージを捉え、振動に基づくシステムレベルのモニタリングとスケーラブルなインフラストラクチャのレジリエンスのための強力なツールを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The optimization-based damage detection and damage state digital twinning capabilities are examined here of a novel conditional-labeled generative adversarial network methodology. The framework outperforms current approaches for fault anomaly detection as no prior information is required for the health state of the system: a topic of high significance for real-world applications. Specifically, current artificial intelligence-based digital twinning approaches suffer from the uncertainty related to obtaining poor predictions when a low number of measurements is available, physics knowledge is missing, or when the damage state is unknown. To this end, an unsupervised framework is examined and validated rigorously on the benchmark structural health monitoring measurements of Z24 Bridge: a post-tensioned concrete highway bridge in Switzerland. In implementing the approach, firstly, different same damage-level measurements are used as inputs, while the model is forced to converge conditionally to two different damage states. Secondly, the process is repeated for a different group of measurements. Finally, the convergence scores are compared to identify which one belongs to a different damage state. The process for both healthy-to-healthy and damage-to-healthy input data creates, simultaneously, measurements for digital twinning purposes at different damage states, capable of pattern recognition and machine learning data generation. Further to this process, a support vector machine classifier and a principal component analysis procedure is developed to assess the generated and real measurements of each damage category, serving as a secondary new dynamics learning indicator in damage scenarios. Importantly, the approach is shown to capture accurately damage over healthy measurements, providing a powerful tool for vibration-based system-level monitoring and scalable infrastructure resilience.
• Abstract（参考訳）: ここでは, 条件付きラベル付き生成対向ネットワーク手法を用いて, 最適化に基づく損傷検出と損傷状態のディジタルツインニング機能について検討する。 このフレームワークは、システムの健康状態に関する事前情報を必要としないため、現在のフォールト異常検出のアプローチよりも優れています。 特に、現在の人工知能ベースのデジタルツインニング手法は、測定値の少ない場合や、物理知識の欠如、損傷状態が不明な場合など、予測の不確実性に悩まされている。 この目的のために、スイスの鉄筋コンクリート橋Z24橋の構造的健康モニタリングのベンチマーク上で、教師なしの枠組みを精査し、厳密に検証した。 提案手法の実装において、まず、異なる同じ損傷レベルの測定を入力として使用し、一方、モデルは2つの異なる損傷状態に条件的に収束せざるを得ない。 第2に、異なる測定グループに対してプロセスが繰り返される。 最後に、収束スコアを比較して、異なる損傷状態に属するものを特定する。 健康から健康への入力データと健康への入力データの両方のプロセスは、パターン認識と機械学習データ生成が可能な、異なる損傷状態におけるデジタルツインニング目的の測定を同時に生成する。 さらに、各損傷カテゴリの生成および実測値を評価するための支援ベクトルマシン分類器と主成分分析手順を開発し、損傷シナリオにおける二次的な新しい力学学習指標として機能する。 重要なことに、この手法は健全な測定に対する正確なダメージを捉え、振動に基づくシステムレベルのモニタリングとスケーラブルなインフラストラクチャのレジリエンスのための強力なツールを提供する。

関連論文リスト

• Keeping Medical AI Healthy: A Review of Detection and Correction Methods for System Degradation [6.781778751487079]
  このレビューでは、医療におけるAIシステムの「健康」の監視と維持について、前向きな視点を提示する。 継続的パフォーマンス監視、早期劣化検出、効果的な自己補正メカニズムの緊急ニーズを強調します。 この研究は、ダイナミックな臨床環境における安全な長期展開を維持できる信頼性が高く堅牢な医療AIシステムの開発を導くことを目的としている。
  論文  参考訳（メタデータ） (2025-06-20T19:22:07Z)
• Bed-Attached Vibration Sensor System: A Machine Learning Approach for Fall Detection in Nursing Homes [33.45861095003339]
  本研究は,医療用ベッドに内蔵された自動転倒検知システムの開発であり,ウェアラブルやビデオ監視を通じて患者のプライバシーを損なうことなく,患者の安全性を高めることを目的としている。 ベッドフレームを介して伝達される機械的振動は、短時間のフーリエ変換を用いて処理され、畳み込みニューラルネットワークを用いて、異なる人間の落下パターンの堅牢な分類を可能にする。 利用可能なデータが限られているにもかかわらず、提案システムは、転倒に対する正確かつ迅速な対応の可能性を示し、健康への影響を軽減し、高齢化人口のニーズに対処する。
  論文  参考訳（メタデータ） (2024-12-06T11:08:47Z)
• Addressing the Pitfalls of Image-Based Structural Health Monitoring: A Focus on False Positives, False Negatives, and Base Rate Bias [0.0]
  本研究では, 画像に基づく構造的健康モニタリング技術(SHM)の限界について検討した。 画像ベースのSHMの信頼性は、偽陽性、偽陰性、環境変動などの課題に影響を受けている。 複数のデータソースを組み合わせたハイブリッドシステムなど、これらの制限を緩和するための戦略について議論する。
  論文  参考訳（メタデータ） (2024-10-27T09:15:05Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Assessing out-of-domain generalization for robust building damage detection [78.6363825307044]
  建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。 モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。 今後はOOD体制に重点を置くべきだと我々は主張する。
  論文  参考訳（メタデータ） (2020-11-20T10:30:43Z)
• Sparse representation for damage identification of structural systems [11.397437423613418]
  モデル更新とスパース損傷識別のための2段階感度解析に基づく新しいフレームワークを提案する。 次に、準$ell法上に構築されたスパース表現パイプラインを、損傷と局所化定量化のために提示する。 提案手法は, 構造損傷の局所化と定量化の両方を高精度に行うことができることを示す。
  論文  参考訳（メタデータ） (2020-06-06T18:04:35Z)
• Online Monitoring for Neural Network Based Monocular Pedestrian Pose Estimation [31.70516575859656]
  人為的・形復元ネットワークのためのモデルベース・学習型モニタを提案・評価する。 データからの損失を効果的に予測する方法を学習するAdversarially-Trained Online Monitorを導入する。
  論文  参考訳（メタデータ） (2020-05-11T21:40:41Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)
• Multi-Objective Variational Autoencoder: an Application for Smart Infrastructure Maintenance [1.2311105789643062]
  マルチウェイセンシングデータにおけるスマートインフラストラクチャ損傷検出と診断のための多目的変分オートエンコーダ(MVA)手法を提案する。 そこで本手法では,複数のセンサから情報的特徴を抽出し,損傷同定に活用する。
  論文  参考訳（メタデータ） (2020-03-11T01:30:08Z)
• Fully convolutional networks for structural health monitoring through multivariate time series classification [0.0]
  構造健康モニタリング(SHM)への新たなアプローチを提案する。 広汎なセンサーシステムを通じて取得したデータから、損傷に敏感な特徴を自動的に識別することを目的としている。 損傷検出と局所化は分類問題として定式化され、FCN(Fully Convolutional Networks)を通して取り組まれる
  論文  参考訳（メタデータ） (2020-02-12T21:59:29Z)

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。