論文の概要: Digital Twin-Driven Pavement Health Monitoring and Maintenance Optimization Using Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2511.02957v1
- Date: Tue, 04 Nov 2025 19:59:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-06 18:19:32.230898
- Title: Digital Twin-Driven Pavement Health Monitoring and Maintenance Optimization Using Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークを用いたデジタルツイン駆動舗装の健康モニタリングとメンテナンス最適化
- Authors: Mohsin Mahmud Topu, Mahfuz Ahmed Anik, Azmine Toushik Wasi, Md Manjurul Ahsan,
- Abstract要約: 我々は、スケーラブルでデータ駆動型舗装の健康モニタリングと予測保守のための統合されたDigital Twin(DT)とGraph Neural Network(GNN)フレームワークを提案する。
モデルでは0.3798のR2を達成し,ベースライン回帰器を上回り,非線形劣化を効果的に捉えた。
このDT-GNN統合は予測精度を高め、継続的な改善のためのクローズドフィードバックループを確立する。
- 参考スコア（独自算出の注目度）: 5.876489372173655
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Pavement infrastructure monitoring is challenged by complex spatial dependencies, changing environmental conditions, and non-linear deterioration across road networks. Traditional Pavement Management Systems (PMS) remain largely reactive, lacking real-time intelligence for failure prevention and optimal maintenance planning. To address this, we propose a unified Digital Twin (DT) and Graph Neural Network (GNN) framework for scalable, data-driven pavement health monitoring and predictive maintenance. Pavement segments and spatial relations are modeled as graph nodes and edges, while real-time UAV, sensor, and LiDAR data stream into the DT. The inductive GNN learns deterioration patterns from graph-structured inputs to forecast distress and enable proactive interventions. Trained on a real-world-inspired dataset with segment attributes and dynamic connectivity, our model achieves an R2 of 0.3798, outperforming baseline regressors and effectively capturing non-linear degradation. We also develop an interactive dashboard and reinforcement learning module for simulation, visualization, and adaptive maintenance planning. This DT-GNN integration enhances forecasting precision and establishes a closed feedback loop for continuous improvement, positioning the approach as a foundation for proactive, intelligent, and sustainable pavement management, with future extensions toward real-world deployment, multi-agent coordination, and smart-city integration.
- Abstract（参考訳）: 舗装インフラの監視は,複雑な空間依存性,環境条件の変化,道路網の非線形劣化などにより困難である。
従来の舗装管理システム(PMS)は、障害防止と最適なメンテナンス計画のためのリアルタイムインテリジェンスを欠いている。
これを解決するために、スケーラブルでデータ駆動型舗装の健康モニタリングと予測保守のための統合Digital Twin(DT)とGraph Neural Network(GNN)フレームワークを提案する。
舗装セグメントと空間関係はグラフノードとエッジとしてモデル化され、リアルタイムUAV、センサー、LiDARデータストリームはDTに格納される。
誘導型GNNは、グラフ構造化された入力から劣化パターンを学習し、苦痛を予測し、積極的な介入を可能にする。
セグメント特性と動的接続性を備えた実世界のデータセットに基づいて学習し,R2の0.3798を達成し,ベースライン回帰器より優れ,非線形劣化を効果的に捉えた。
また、シミュレーション、可視化、適応保守計画のためのインタラクティブなダッシュボードと強化学習モジュールを開発した。
このDT-GNN統合は、予測精度を高め、継続的な改善のためのクローズドなフィードバックループを確立し、このアプローチを、現実のデプロイメント、マルチエージェント調整、スマートシティ統合に向けた将来の拡張として、積極的に、インテリジェントで、持続可能な舗装管理の基盤として位置付ける。
関連論文リスト
- Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。
グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。
Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
論文 参考訳（メタデータ） (2025-09-02T22:17:25Z) - Ada-TransGNN: An Air Quality Prediction Model Based On Adaptive Graph Convolutional Networks [7.944991952472549]
本研究では,グローバルな空間意味と時間的行動を統合するトランスフォーマーに基づくデータ予測手法を提案する。
本モデルは,短期・長期予測において,既存の最先端予測モデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2025-08-25T10:22:03Z) - STGAN: Spatial-temporal Graph Autoregression Network for Pavement Distress Deterioration Prediction [18.17472488072826]
舗装の苦難に関する実世界のデータは、通常不規則に収集され、不均一で、非同期で、スパースな空間時間データセットをもたらす。
複雑な時空間データを用いて不規則な舗装の難易度を正確に予測する新しいグラフニューラルネットワークモデルを提案する。
本研究は, 積極的道路維持意思決定の促進と道路安全・レジリエンスの向上に寄与する。
論文 参考訳（メタデータ） (2025-03-03T03:59:34Z) - Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
本稿では,保護インフォームドGNN(CiGNN)について紹介する。
このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。
結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
論文 参考訳（メタデータ） (2024-12-30T13:55:59Z) - Unveiling the Inflexibility of Adaptive Embedding in Traffic Forecasting [9.818230821091184]
急速な都市化は交通パターンや旅行需要の動的変化をもたらし、正確な長期交通予測の大きな課題となっている。
我々は,既存のST-GNNの性能劣化を,拡張トラヒックベンチマークで評価し,その性能劣化を観測した。
本稿では,モデルが再学習せずに新たなシナリオに適応可能なPCA(Principal Component Analysis)の組込み手法を提案する。
論文 参考訳（メタデータ） (2024-11-18T10:30:34Z) - Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳（メタデータ） (2024-11-01T00:37:00Z) - Dynamic Graph Unlearning: A General and Efficient Post-Processing Method via Gradient Transformation [24.20087360102464]
動的グラフアンラーニングを初めて研究し、DGNNアンラーニングを実装するための効率的で効率的で汎用的で後処理手法を提案する。
提案手法は,将来的な未学習要求を処理できる可能性があり,性能が大幅に向上する。
論文 参考訳（メタデータ） (2024-05-23T10:26:18Z) - Cross-Node Federated Graph Neural Network for Spatio-Temporal Data
Modeling [13.426382746638007]
本稿では,ノード間フェデレーション学習の制約下でのグラフニューラルネットワーク(GNN)に基づくアーキテクチャを提案する。
CNFGNNは、デバイス上の時間計算とサーバ上の空間力学を分離して動作する。
実験の結果, CNFGNNは, 帰納的および帰納的両方の学習環境において, 最高の予測性能が得られることがわかった。
論文 参考訳（メタデータ） (2021-06-09T17:12:43Z) - Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph
Convolutional Networks [110.80088437391379]
SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。
深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。
その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
論文 参考訳（メタデータ） (2021-03-13T06:56:29Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z)
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。