論文の概要: Probabilistic Digital Twin for Misspecified Structural Dynamical Systems via Latent Force Modeling and Bayesian Neural Networks

• arxiv url: http://arxiv.org/abs/2511.22133v1
• Date: Thu, 27 Nov 2025 06:02:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.41533
• Title: Probabilistic Digital Twin for Misspecified Structural Dynamical Systems via Latent Force Modeling and Bayesian Neural Networks
• Title（参考訳）: 潜時力モデリングとベイズニューラルネットワークによる不特定構造力学系の確率論的ディジタル双対
• Authors: Sahil Kashyap, Rajdip Nayek,
• Abstract要約: 本研究では,不特定物理によって制御される力学系における応答予測のための確率論的ディジタルツインフレームワークを提案する。 このアプローチは、ガウス過程潜在力モデル(GPLFM)とベイズニューラルネットワーク(BNN)を統合し、エンドツーエンドの不確実性認識と予測を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This work presents a probabilistic digital twin framework for response prediction in dynamical systems governed by misspecified physics. The approach integrates Gaussian Process Latent Force Models (GPLFM) and Bayesian Neural Networks (BNNs) to enable end-to-end uncertainty-aware inference and prediction. In the diagnosis phase, model-form errors (MFEs) are treated as latent input forces to a nominal linear dynamical system and jointly estimated with system states using GPLFM from sensor measurements. A BNN is then trained on posterior samples to learn a probabilistic nonlinear mapping from system states to MFEs, while capturing diagnostic uncertainty. For prognosis, this mapping is used to generate pseudo-measurements, enabling state prediction via Kalman filtering. The framework allows for systematic propagation of uncertainty from diagnosis to prediction, a key capability for trustworthy digital twins. The framework is demonstrated using four nonlinear examples: a single degree of freedom (DOF) oscillator, a multi-DOF system, and two established benchmarks -- the Bouc-Wen hysteretic system and the Silverbox experimental dataset -- highlighting its predictive accuracy and robustness to model misspecification.
• Abstract（参考訳）: 本研究では,不特定物理によって制御される力学系における応答予測のための確率論的ディジタルツインフレームワークを提案する。 このアプローチは、ガウス過程潜在力モデル(GPLFM)とベイズニューラルネットワーク(BNN)を統合し、エンドツーエンドの不確実性認識と予測を可能にする。 診断フェーズでは、モデル形状誤差(MFE)を名目線形力学系への遅延入力力として扱い、センサ測定からGPLFMを用いてシステム状態と共同で推定する。 その後、BNNは後部サンプルでトレーニングされ、システム状態からMFEへの確率論的非線形マッピングを学習し、診断の不確実性を捕捉する。 予後について、このマッピングは擬似測度を生成するために使われ、カルマンフィルタによる状態予測を可能にする。 このフレームワークは、診断から予測への不確実性の体系的な伝播を可能にする。 このフレームワークは、4つの非線形例を用いて実証されている: 単一自由度(DOF)発振器、複数自由度システム、および2つの確立されたベンチマーク - Bouc-WenヒステリシスシステムとSilverbox実験データセット - は、予測精度とモデルの誤識別に対する堅牢性を強調している。

関連論文リスト

• Stable-by-Design Neural Network-Based LPV State-Space Models for System Identification [6.5745172279769255]
  本稿では,潜在状態と内部スケジューリング変数を同時に学習するニューラルネットワークに基づく状態空間モデルを提案する。 状態遷移行列はシュールのパラメータ化によって安定であることが保証される。 提案するNN-SSは, ベンチマーク非線形システム上で評価され, モデルが古典的部分空間同定手法と一貫して一致するか, 上回っていることを示す。
  論文  参考訳（メタデータ） (2025-10-21T10:25:54Z)
• Hybrid Meta-Learning Framework for Anomaly Forecasting in Nonlinear Dynamical Systems via Physics-Inspired Simulation and Deep Ensembles [0.0]
  非線形システムにおける予測・異常検出のためのハイブリッドメタ学習フレームワークを提案する。 このフレームワークは、非線形システムにおける早期欠陥の同定と予測監視に対する広範なデータ駆動型アプローチを提供する。
  論文  参考訳（メタデータ） (2025-06-15T21:17:34Z)
• Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• Physics-informed State-space Neural Networks for Transport Phenomena [0.0]
  本研究は物理インフォームドステートスペースニューラルネットワークモデル(PSM)を紹介する。 PSMは、自律システムにおけるリアルタイム最適化、柔軟性、フォールトトレランスを達成するための新しいソリューションである。 PSMはデジタルツインの基盤として機能し、物理的システムのデジタル表現を常に更新する。
  論文  参考訳（メタデータ） (2023-09-21T16:14:36Z)
• Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
  人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。 モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。 BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
  論文  参考訳（メタデータ） (2023-07-04T16:45:21Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• System identification using Bayesian neural networks with nonparametric noise models [0.0]
  離散時間非線形ランダムダイナミクス系におけるシステム同定のための非パラメトリックアプローチを提案する。 後部推論用ギブスサンプリング器を提案し, シミュレーションおよび実時間時系列でその有効性を示した。
  論文  参考訳（メタデータ） (2021-04-25T09:49:50Z)
• Probabilistic solution of chaotic dynamical system inverse problems using Bayesian Artificial Neural Networks [0.0]
  カオスシステムの逆問題は数値的に困難である。 モデルパラメータの小さな摂動は、推定された前方軌道において非常に大きな変化を引き起こす可能性がある。 ビザレニューラルネットワークは、モデルに同時に適合し、モデルのパラメータの不確実性を推定するために使用することができる。
  論文  参考訳（メタデータ） (2020-05-26T20:35:02Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。