論文の概要: Defining Energy Indicators for Impact Identification on Aerospace Composites: A Physics-Informed Machine Learning Perspective

• arxiv url: http://arxiv.org/abs/2511.01592v1
• Date: Mon, 03 Nov 2025 13:58:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.283189
• Title: Defining Energy Indicators for Impact Identification on Aerospace Composites: A Physics-Informed Machine Learning Perspective
• Title（参考訳）: 宇宙複合材料における衝撃同定のためのエネルギー指標の定義:物理インフォームド・機械学習の視点から
• Authors: Natália Ribeiro Marinho, Richard Loendersloot, Frank Grooteman, Jan Willem Wiegman, Uraz Odyurt, Tiedo Tinga,
• Abstract要約: エネルギー推定は、航空宇宙複合材料に対する影響の同定に重要である。 本研究では、ドメイン知識を機械学習に組み込む物理インフォームドフレームワークを紹介する。
• 参考スコア（独自算出の注目度）: 0.4104921880358479
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Energy estimation is critical to impact identification on aerospace composites, where low-velocity impacts can induce internal damage that is undetectable at the surface. Current methodologies for energy prediction are often constrained by data sparsity, signal noise, complex feature interdependencies, non-linear dynamics, massive design spaces, and the ill-posed nature of the inverse problem. This study introduces a physics-informed framework that embeds domain knowledge into machine learning through a dedicated input space. The approach combines observational biases, which guide the design of physics-motivated features, with targeted feature selection to retain only the most informative indicators. Features are extracted from time, frequency, and time-frequency domains to capture complementary aspects of the structural response. A structured feature selection process integrating statistical significance, correlation filtering, dimensionality reduction, and noise robustness ensures physical relevance and interpretability. Exploratory data analysis further reveals domain-specific trends, yielding a reduced feature set that captures essential dynamic phenomena such as amplitude scaling, spectral redistribution, and transient signal behaviour. Together, these steps produce a compact set of energy-sensitive indicators with both statistical robustness and physical significance, resulting in impact energy predictions that remain interpretable and traceable to measurable structural responses. Using this optimised input space, a fully-connected neural network is trained and validated with experimental data from multiple impact scenarios, including pristine and damaged states. The resulting model demonstrates significantly improved impact energy prediction accuracy, reducing errors by a factor of three compared to conventional time-series techniques and purely data-driven models.
• Abstract（参考訳）: エネルギー推定は、低速度の衝撃が地表で検出不可能な内部損傷を引き起こす場合の航空宇宙複合物に対する識別に重要である。 エネルギー予測の現在の手法は、しばしばデータ空間、信号ノイズ、複雑な特徴相互依存性、非線形力学、大規模設計空間、逆問題の性質によって制約される。 本研究では、専用の入力空間を通じて、ドメイン知識を機械学習に組み込む物理インフォームドフレームワークを提案する。 このアプローチは、物理を動機とする特徴の設計を導く観察バイアスと、最も有意義な指標のみを保持する目的の特徴選択を組み合わせたものである。 特徴は、構造応答の相補的な側面を捉えるために、時間、周波数、時間周波数領域から抽出される。 統計的重要性、相関フィルタリング、次元減少、雑音の頑健性を組み合わせた構造的特徴選択プロセスは、物理的妥当性と解釈可能性を保証する。 探索的データ分析はさらにドメイン固有の傾向を明らかにし、振幅スケーリング、スペクトル再分配、過渡的な信号の振る舞いといった重要なダイナミックな現象を捉える機能セットを減らした。 これらのステップは、統計的ロバスト性と物理的重要性の両方を持つコンパクトなエネルギー感受性指標を生成し、その結果、解釈可能で測定可能な構造応答に追跡可能な衝撃エネルギー予測をもたらす。 この最適化された入力空間を使用して、完全に接続されたニューラルネットワークをトレーニングし、プリスチンや損傷状態を含む複数の影響シナリオからの実験データで検証する。 その結果,従来の時系列モデルや純粋にデータ駆動モデルと比較して,影響エネルギー予測精度が大幅に向上し,誤差が3倍になった。

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)
• The power of dynamic causality in observer-based design for soft sensor applications [0.7965327033045845]
  本稿では,動的因果解析により観測者に基づくソフトセンサを最適化するための新しい枠組みを提案する。 センサ選択への伝統的なアプローチは、複雑なシステムの時間的進化を捉えるのに失敗する線形化された可観測性指数や統計的相関に依存することが多い。
  論文  参考訳（メタデータ） (2025-09-14T16:27:58Z)
• Physics-Guided Dual Implicit Neural Representations for Source Separation [70.38762322922211]
  我々は,2つの暗黙的ニューラル表現フレームワークを用いて,ソース分離のための自己教師型機械学習手法を開発した。 本手法は,復元に基づく損失関数の最小化により,生データから直接学習する。 本手法は,様々な領域にまたがるソース分離問題に対処する汎用的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-07-07T17:56:31Z)
• Adversarial Disentanglement by Backpropagation with Physics-Informed Variational Autoencoder [0.0]
  物理系の部分的な知識の下での推測と予測は困難である。 本稿では,物理モデルとデータ駆動モデルの柔軟性を組み合わせた物理インフォームド変分オートエンコーダアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-06-16T16:18:25Z)
• Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
  本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。 注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
  論文  参考訳（メタデータ） (2024-09-20T07:41:47Z)
• Understanding Robust Overfitting from the Feature Generalization Perspective [61.770805867606796]
  逆行訓練(AT)は、逆行摂動を自然データに組み込むことで、堅牢なニューラルネットワークを構築する。 これはロバストオーバーフィッティング(RO)の問題に悩まされ、モデルのロバスト性を著しく損なう。 本稿では,新しい特徴一般化の観点からROを考察する。
  論文  参考訳（メタデータ） (2023-10-01T07:57:03Z)
• Architectural Optimization and Feature Learning for High-Dimensional Time Series Datasets [0.7388859384645262]
  重力波検出器における過渡ノイズアーチファクトの存在を予測する問題について検討する。 従来の技術と比較して誤差率を60%以上削減するモデルを導入する。
  論文  参考訳（メタデータ） (2022-02-27T23:41:23Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
  本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。 IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-07-26T10:40:59Z)

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。