論文の概要: Physics-Informed Neural Network-based Reliability Analysis of Buried Pipelines

• arxiv url: http://arxiv.org/abs/2511.11613v1
• Date: Tue, 04 Nov 2025 03:26:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-23 18:31:12.297858
• Title: Physics-Informed Neural Network-based Reliability Analysis of Buried Pipelines
• Title（参考訳）: 物理インフォームニューラルネットワークを用いた埋設パイプラインの信頼性解析
• Authors: Pouya Taraghi, Yong Li, Samer Adeeb,
• Abstract要約: 石油とガスをジオハザード・プロン地域に輸送する埋設パイプラインは、潜在的地盤移動に曝露される。 信頼性分析は、関連する不確実性を考慮して失敗する確率を決定する。 本研究では, 地中移動を受ける埋設パイプラインの信頼性解析のための物理情報ニューラルネットワーク(PINN-RA)を提案する。
• 参考スコア（独自算出の注目度）: 4.857867070917862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Buried pipelines transporting oil and gas across geohazard-prone regions are exposed to potential ground movement, leading to the risk of significant strain demand and structural failure. Reliability analysis, which determines the probability of failure after accounting for pertinent uncertainties, is essential for ensuring the safety of pipeline systems. However, traditional reliability analysis methods involving computationally intensive numerical models, such as finite element simulations of pipeline subjected to ground movement, have limited applications; this is partly because stochastic sampling approaches require repeated simulations over a large number of samples for the uncertain variables when estimating low probabilities. This study introduces Physics-Informed Neural Network for Reliability Analysis (PINN-RA) for buried pipelines subjected to ground movement, which integrates PINN-based surrogate model with Monte Carlo Simulation (MCS) to achieve efficient reliability assessment. To enable its application under uncertain variables associated with soil properties and ground movement, the PINN-based surrogate model is extended to solve a parametric differential equation system, namely the governing equation of pipelines embedded in soil with different properties. The findings demonstrate that PINN-RA significantly reduces the computational effort required and thus accelerates reliability analysis. By eliminating the need for repetitive numerical evaluations of pipeline subjected to permanent ground movement, the proposed approach provides an efficient and scalable tool for pipeline reliability assessment, enabling rapid decision-making in geohazard-prone regions.
• Abstract（参考訳）: 石油やガスをジオハザード・プロン地域に輸送する埋設パイプラインは、潜在的な地盤運動に曝され、大きなひずみの需要と構造的失敗のリスクが生じる。 パイプラインシステムの安全性確保には,不確実性を考慮した信頼性解析が不可欠である。 しかし,地動を受けるパイプラインの有限要素シミュレーションなど,計算集約的な数値モデルを含む従来の信頼性解析手法は,適用範囲が限られている。 本研究では,地中移動を受ける埋設パイプラインに対する物理インフォームドニューラルネットワーク (PINN-RA) とモンテカルロシミュレーション (MCS) を組み合わせた信頼性評価手法を提案する。 土壌特性や地盤移動に関連する不確実な変数下での適用を可能にするため, PINNに基づく代理モデルを拡張して, パラメータ微分方程式系, すなわち, 異なる性質の土壌に埋め込まれたパイプラインの制御方程式を解く。 その結果,PINN-RAは計算労力を大幅に削減し,信頼性解析の高速化を図っている。 恒久的な地盤移動を受けるパイプラインの繰り返し数値評価を不要にすることで,提案手法は,ジオハザード・プロンの領域における迅速な意思決定を可能にする,パイプラインの信頼性評価のための効率的かつスケーラブルなツールを提供する。

関連論文リスト

• Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
  高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-15T08:41:36Z)
• Discovering Governing Equations in the Presence of Uncertainty [11.752763800308276]
  本研究では, 力学系を基礎とする支配方程式を一貫して発見する鍵として, 測定ノイズとともに, システムの変動性を考慮した説明が重要であることを理論的に論じる。 SIPは、スパース同定ダイナミクス(SINDy)とその変種に対する平均82%の正方程式を一貫して同定することを示した。
  論文  参考訳（メタデータ） (2025-07-13T18:31:25Z)
• A Novel Deep Learning Approach for Emulating Computationally Expensive Postfire Debris Flows [0.0]
  本研究では, 深層学習に基づく代理モデルを構築し, 多様な地形を横断する流出破砕流の動態を予測した。 限られた高価なシミュレーションを用いて高速なトレーニングを可能にするため、深層学習モデルは物理学に基づくシミュレーションのアンサンブルからのデータに基づいて訓練された。 モンテカルロ法による不確かさ定量化は、検証されたサロゲートを用いて可能である。
  論文  参考訳（メタデータ） (2025-04-10T13:29:37Z)
• PINNs-Based Uncertainty Quantification for Transient Stability Analysis [22.116325319900973]
  本稿では,物理インフォームドニューラルネットワーク(PINN)の新たな応用,特に臨界パラメータを推定するためのPINNのアンサンブル(E-PINN)について紹介する。 E-PINNは、揺動方程式の基礎となる物理原理を利用して、堅牢な解を提供する。 この研究は、電力系統の安定性における機械学習の適用を前進させ、信頼性と計算効率のよい過渡安定解析への道を開いた。
  論文  参考訳（メタデータ） (2023-11-21T19:21:49Z)
• Uncertainty Quantification in Multivariable Regression for Material Property Prediction with Bayesian Neural Networks [37.69303106863453]
  物理インフォームドBNNにおける不確実性定量化(UQ)のアプローチを提案する。 本稿では, 鋼のクリープ破断寿命を予測するためのケーススタディを提案する。 クリープ寿命予測の最も有望なフレームワークは、マルコフ・チェイン・モンテカルロによるネットワークパラメータの後方分布の近似に基づくBNNである。
  論文  参考訳（メタデータ） (2023-11-04T19:40:16Z)
• Fast Shapley Value Estimation: A Unified Approach [71.92014859992263]
  冗長な手法を排除し、単純で効率的なシェープリー推定器SimSHAPを提案する。 既存手法の解析において、推定器は特徴部分集合からランダムに要約された値の線形変換として統一可能であることを観察する。 実験により,SimSHAPの有効性が検証され,精度の高いShapley値の計算が大幅に高速化された。
  論文  参考訳（メタデータ） (2023-11-02T06:09:24Z)
• Adaptive network reliability analysis: Methodology and applications to power grid [0.0]
  本研究では,ベイジアン付加回帰木(ANR-BART)を用いた適応代理型ネットワーク信頼性解析法を提案する。 その結果、ANR-BARTは堅牢であり、信頼性解析の計算コストを大幅に削減しつつ、ネットワーク障害確率の正確な推定値が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-11T19:58:08Z)
• SDE-Net: Equipping Deep Neural Networks with Uncertainty Estimates [45.43024126674237]
  不確かさの定量化は、ディープラーニングの根本的かつ未解決な問題である。 ベイズフレームワークは不確実性推定の原則的方法を提供するが、現代のディープニューラルネット(DNN)には拡張性がないことが多い 動的システムの観点からDNNの不確かさを定量化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-08-24T16:33:54Z)
• Efficient Uncertainty Quantification for Dynamic Subsurface Flow with Surrogate by Theory-guided Neural Network [0.0]
  理論誘導ニューラルネットワーク(TgNN)により構築された代理体を用いた動的地下流れの効率的な不確実性定量化手法を提案する。 パラメータ、時間、位置はニューラルネットワークの入力であり、関心の量は出力である。 トレーニングされたニューラルネットワークは、新しいパラメータで地下流れ問題の解を予測することができる。
  論文  参考訳（メタデータ） (2020-04-25T12:41:57Z)

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。