論文の概要: Physics-Informed Framework for Impact Identification in Aerospace Composites

• arxiv url: http://arxiv.org/abs/2603.28593v1
• Date: Mon, 30 Mar 2026 15:40:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.489691
• Title: Physics-Informed Framework for Impact Identification in Aerospace Composites
• Title（参考訳）: 宇宙複合材料における衝撃同定のための物理インフォームドフレームワーク
• Authors: Natália Ribeiro Marinho, Richard Loendersloot, Jan Willem Wiegman, Frank Grooteman, Tiedo Tinga,
• Abstract要約: ThePhy-IDフレームワークは、観測バイアス、誘導バイアス、学習バイアスを統合し、物理的に一貫性があり、数値的に安定した影響識別を実現する。 その結果,物理インフォームドバイアスの体系的な統合により,信頼性,物理的に整合性,およびデータ効率のよい影響の同定が可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.4349640169711269
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a novel physics-informed impact identification (Phy-ID) framework. The proposed method integrates observational, inductive, and learning biases to combine physical knowledge with data-driven inference in a unified modelling strategy, achieving physically consistent and numerically stable impact identification. The physics-informed approach structures the input space using physics-based energy indicators, constrains admissible solutions via architectural design, and enforces governing relations via hybrid loss formulations. Together, these mechanisms limit non-physical solutions and stabilise inference under degraded measurement conditions. A disjoint inference formulation is used as a representative use case to demonstrate the framework capabilities, in which impact velocity and impactor mass are inferred through decoupled surrogate models, and impact energy is computed by enforcing kinetic energy consistency. Experimental evaluations show mean absolute percentage errors below 8% for inferred impact velocity and impactor mass and below 10% for impact energy. Additional analyses confirm stable performance under reduced data availability and increased measurement noise, as well as generalisation for out-of-distribution cases across pristine and damaged regimes when damaged responses are included in training. These results indicate that the systematic integration of physics-informed biases enables reliable, physically consistent, and data-efficient impact identification, highlighting the potential of the approach for practical monitoring systems.
• Abstract（参考訳）: 本稿では,新しい物理インフォームドインパクト識別(Phy-ID)フレームワークを提案する。 提案手法は,観測的,帰納的,学習的バイアスを統合し,物理知識とデータ駆動推論を統合的モデリング戦略で組み合わせ,物理的に一貫した数値的に安定した影響同定を実現する。 物理インフォームドアプローチは、物理に基づくエネルギー指標を用いて入力空間を構造化し、アーキテクチャ設計を通じて許容可能な解を制約し、ハイブリッド損失の定式化を通じて支配関係を強制する。 同時に、これらのメカニズムは非物理的解を制限し、劣化した測定条件下での推測を安定化する。 解離推論の定式化は、相互作用速度と衝突物質が分離された代理モデルを通して推論され、運動エネルギーの整合性によって衝撃エネルギーが計算される枠組みの能力を実証するための代表的なユースケースとして用いられる。 実験の結果, 衝突速度と衝突質量は8%以下で, 衝突エネルギーは10%以下と推定された。 さらに、データ可用性の低下と測定ノイズの増加による安定した性能の確認と、損傷応答がトレーニングに含まれている場合のプリスチンおよび損傷レジームのアウト・オブ・ディストリビューション・ケースの一般化も行った。 これらの結果は,物理インフォームドバイアスの体系的な統合により,信頼性,物理的に一貫した,およびデータ効率のよい影響の同定が可能であることが示唆された。

関連論文リスト

• Defining Energy Indicators for Impact Identification on Aerospace Composites: A Physics-Informed Machine Learning Perspective [0.4104921880358479]
  エネルギー推定は、航空宇宙複合材料に対する影響の同定に重要である。 本研究では、ドメイン知識を機械学習に組み込む物理インフォームドフレームワークを紹介する。
  論文  参考訳（メタデータ） (2025-11-03T13:58:03Z)
• LikePhys: Evaluating Intuitive Physics Understanding in Video Diffusion Models via Likelihood Preference [57.086932851733145]
  ビデオ拡散モデルにおける直感的な物理を評価するトレーニング不要な方法であるLikePhysを紹介した。 現在のビデオ拡散モデルにおける直観的物理理解のベンチマークを行う。 経験的結果は、現在のモデルが複雑でカオス的な力学に苦しむにもかかわらず、モデルキャパシティと推論設定スケールとしての物理理解の改善傾向が明らかであることを示している。
  論文  参考訳（メタデータ） (2025-10-13T15:19:07Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Physics-guided impact localisation and force estimation in composite plates with uncertainty quantification [2.526146573337397]
  本稿では,複合板の衝撃局部化と力推定のためのハイブリッドフレームワークを提案する。 これは、一階せん断変形理論(FSDT)のデータ駆動実装と機械学習と不確実性定量化を組み合わせたものである。 提案手法は, 複合空気構造物における衝撃モニタリングと構造的健康管理のために, スケーラブルで伝達可能なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-07-13T16:17:25Z)
• Adversarial Disentanglement by Backpropagation with Physics-Informed Variational Autoencoder [0.0]
  物理系の部分的な知識の下での推測と予測は困難である。 本稿では,物理モデルとデータ駆動モデルの柔軟性を組み合わせた物理インフォームド変分オートエンコーダアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-06-16T16:18:25Z)
• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• Understanding Robust Overfitting from the Feature Generalization Perspective [61.770805867606796]
  逆行訓練(AT)は、逆行摂動を自然データに組み込むことで、堅牢なニューラルネットワークを構築する。 これはロバストオーバーフィッティング(RO)の問題に悩まされ、モデルのロバスト性を著しく損なう。 本稿では,新しい特徴一般化の観点からROを考察する。
  論文  参考訳（メタデータ） (2023-10-01T07:57:03Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• Counterfactual Representation Learning with Balancing Weights [74.67296491574318]
  観察データによる因果推論の鍵は、それぞれの治療タイプに関連する予測的特徴のバランスを達成することである。 近年の文献では、この目標を達成するために表現学習を探求している。 因果効果を柔軟かつスケーラブルかつ正確に推定するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-23T19:06:03Z)

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。