論文の概要: Physics-Informed Machine Learning for Transformer Condition Monitoring -- Part II: Physics-Informed Neural Networks and Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2512.22189v1
• Date: Sat, 20 Dec 2025 10:09:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:29.870482
• Title: Physics-Informed Machine Learning for Transformer Condition Monitoring -- Part II: Physics-Informed Neural Networks and Uncertainty Quantification
• Title（参考訳）: 変圧器条件モニタリングのための物理インフォームド機械学習 -第2報:物理インフォームドニューラルネットワークと不確かさの定量化-
• Authors: Jose I. Aizpurua,
• Abstract要約: 物理に基づく知識と機械学習モデルの統合は、電気トランスフォーマーの監視、診断、および予後をますます形作っている。 本稿では、ニューラルネットワーク(NN)の基礎と、健康評価タスクの変形について紹介する。 我々は、不確実性を定量化し、スパースデータの下で堅牢な予測を行うための原則的枠組みとしてPINを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of physics-based knowledge with machine learning models is increasingly shaping the monitoring, diagnostics, and prognostics of electrical transformers. In this two-part series, the first paper introduced the foundations of Neural Networks (NNs) and their variants for health assessment tasks. This second paper focuses on integrating physics and uncertainty into the learning process. We begin with the fundamentals of Physics-Informed Neural Networks (PINNs), applied to spatiotemporal thermal modeling and solid insulation ageing. Building on this, we present Bayesian PINNs as a principled framework to quantify epistemic uncertainty and deliver robust predictions under sparse data. Finally, we outline emerging research directions that highlight the potential of physics-aware and trustworthy machine learning for critical power assets.
• Abstract（参考訳）: 物理に基づく知識と機械学習モデルの統合は、電気トランスフォーマーの監視、診断、および予後をますます形作っている。 この2部構成のシリーズでは、最初の論文でニューラルネットワークの基礎と、健康評価タスクの変種を紹介した。 本稿では,物理と不確実性を学習プロセスに統合することに焦点を当てる。 まず、時空間熱モデリングと断熱時効に応用した物理情報ニューラルネットワーク(PINNs)の基礎から始める。 これに基づいて,我々はベイズPINNを,重症度を定量化し,スパースデータに基づくロバストな予測を行うための原則的枠組みとして提示する。 最後に、重要な電力資産に対する物理学的認識と信頼できる機械学習の可能性を強調する、新たな研究の方向性を概説する。

関連論文リスト

• Adapting Vision-Language Models for Neutrino Event Classification in High-Energy Physics [41.33501105382656]
  本研究は高エネルギー物理実験による画素検出器データにおけるニュートリノ相互作用の同定へのビジョン言語モデル(VLM)の適用について検討する。 我々はこのモデルを、NOvAやDUNE実験で使われているものと同様、最先端の畳み込みニューラルネットワーク(CNN)アーキテクチャと比較した。 VLMはCNNよりも優れ、補助的なテキストやセマンティック情報の統合や、より解釈可能な推論ベースの予測を提供する柔軟性も向上する。
  論文  参考訳（メタデータ） (2025-09-10T10:07:27Z)
• Physics-informed machine learning: A mathematical framework with applications to time series forecasting [0.0]
  物理インフォームドニューラルネットワーク(PINN)の特性を近似,一貫性,過剰適合,収束の観点から検討する。 第2部では、非典型期におけるエネルギー信号の予測における産業的応用について検討している。 時系列で制約を設計・強制するための物理制約付きフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-11T11:47:09Z)
• Advancing Physics Data Analysis through Machine Learning and Physics-Informed Neural Networks [0.0]
  本研究は,物理データ解析のための機械学習(ML)アルゴリズムについて評価する。 これらの手法をシミュレーションシナリオの実験的生存性を識別する二項分類タスクに適用する。 XGBoostは、そのスピードと有効性のために評価された機械学習アルゴリズムの中で好まれる選択として登場した。
  論文  参考訳（メタデータ） (2024-10-18T11:05:52Z)
• 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)
• Privacy-preserving machine learning with tensor networks [37.01494003138908]
  テンソルネットワークアーキテクチャは、特にプライバシー保護機械学習に期待できる特性を持つことを示す。 まず、フィードフォワードニューラルネットワークに存在する新たなプライバシ脆弱性を説明し、それを合成および実世界のデータセットで説明する。 このような条件がテンソルネットワークアーキテクチャによって満たされていることを厳密に証明する。
  論文  参考訳（メタデータ） (2022-02-24T19:04:35Z)
• Physically Explainable CNN for SAR Image Classification [59.63879146724284]
  本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。 提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。 実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2021-10-27T03:30:18Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Thermodynamics-based Artificial Neural Networks for constitutive modeling [0.0]
  本稿では,物質点レベルでのひずみ速度独立過程のモデリングのための,データ駆動型物理ベースニューラルネットワークの新たなクラスを提案する。 熱力学の2つの基本原理は、自動微分を利用してネットワークのアーキテクチャに符号化される。 本研究では, 伸縮硬化および軟化ひずみを有するエラスト塑性材料をモデル化するためのTANNの広範囲な適用性を示す。
  論文  参考訳（メタデータ） (2020-05-25T15:56:34Z)
• Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
  本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。 アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
  論文  参考訳（メタデータ） (2020-05-08T16:15:47Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。