論文の概要: A Physics-Informed U-net-LSTM Network for Data-Driven Seismic Response Modeling of Structures

• arxiv url: http://arxiv.org/abs/2511.21276v1
• Date: Wed, 26 Nov 2025 11:05:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.069547
• Title: A Physics-Informed U-net-LSTM Network for Data-Driven Seismic Response Modeling of Structures
• Title（参考訳）: データ駆動型地震応答モデリングのための物理インフォームドU-net-LSTMネットワーク
• Authors: Sutirtha Biswas, Kshitij Kumar Yadav,
• Abstract要約: 近年の深層学習の発展により, 構造物の非線形地震解析における計算コストの低減が期待されている。 本稿では,物理法則と深層学習を統合し,精度と効率を両立させる物理インフォームドUNet LSTMフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and efficient seismic response prediction is essential for the design of resilient structures. While the Finite Element Method (FEM) remains the standard for nonlinear seismic analysis, its high computational demands limit its scalability and real time applicability. Recent developments in deep learning, particularly Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), and Long Short Term Memory (LSTM) models, have shown promise in reducing the computational cost of nonlinear seismic analysis of structures. However, these data driven models often struggle to generalize and capture the underlying physics, leading to reduced reliability. We propose a novel Physics Informed U Net LSTM framework that integrates physical laws with deep learning to enhance both accuracy and efficiency. By embedding domain specific constraints into the learning process, the proposed model achieves improved predictive performance over conventional Machine Learning architectures. This hybrid approach bridges the gap between purely data driven methods and physics based modeling, offering a robust and computationally efficient alternative for seismic response prediction of structures.
• Abstract（参考訳）: 耐震構造物の設計には, 高精度かつ効率的な地震応答予測が不可欠である。 有限要素法(FEM)は、非線形地震解析の標準であり続けているが、その高い計算要求はスケーラビリティとリアルタイム適用性を制限している。 近年のディープラーニング、特に畳み込みニューラルネットワーク(CNN)、リカレントニューラルネットワーク(RNN)、Long Short Term Memory(LSTM)モデルの発展により、構造物の非線形地震解析の計算コストの削減が期待されている。 しかし、これらのデータ駆動モデルは、基礎となる物理学を一般化して捉えるのに苦労し、信頼性を低下させる。 本稿では,物理法則と深層学習を統合し,精度と効率を両立させる物理インフォームドUNet LSTMフレームワークを提案する。 ドメイン固有の制約を学習プロセスに埋め込むことで、従来の機械学習アーキテクチャよりも予測性能が向上する。 このハイブリッドアプローチは、純粋にデータ駆動の手法と物理に基づくモデリングのギャップを埋め、構造物の地震応答予測のための堅牢で効率的な代替手段を提供する。

関連論文リスト

• Fusing CFD and measurement data using transfer learning [49.1574468325115]
  本稿では,伝送学習によるシミュレーションと計測データを組み合わせたニューラルネットワークに基づく非線形手法を提案する。 最初のステップでは、ニューラルネットワークがシミュレーションデータに基づいてトレーニングされ、分散量の空間的特徴を学習する。 第2のステップは、ニューラルネットワークモデル全体の小さなサブセットを再トレーニングするだけで、シミュレーションと測定の間の体系的なエラーを修正するために、測定データ上での変換学習である。
  論文  参考訳（メタデータ） (2025-07-28T07:21:46Z)
• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
  PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。 運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。 結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
  論文  参考訳（メタデータ） (2024-02-28T02:16:03Z)
• Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
  本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。 溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
  論文  参考訳（メタデータ） (2024-02-11T17:40:26Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)

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。