論文の概要: Transformer self-attention encoder-decoder with multimodal deep learning for response time series forecasting and digital twin support in wind structural health monitoring

• arxiv url: http://arxiv.org/abs/2604.01712v1
• Date: Thu, 02 Apr 2026 07:25:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.585565
• Title: Transformer self-attention encoder-decoder with multimodal deep learning for response time series forecasting and digital twin support in wind structural health monitoring
• Title（参考訳）: 風構造モニタリングにおける応答時系列予測とディジタルツインサポートのためのマルチモーダル深層学習を用いた変圧器自己注意エンコーダデコーダ
• Authors: Feiyu Zhou, Marios Impraimakis,
• Abstract要約: ここでは, 風による新しい変圧器手法の構造応答予測機能について検討する。 このアプローチでは、システムの時間的特性を使用して予測モデルをトレーニングする。 特定されたケースは、構造変化の早期警戒指標として使用される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The wind-induced structural response forecasting capabilities of a novel transformer methodology are examined here. The model also provides a digital twin component for bridge structural health monitoring. Firstly, the approach uses the temporal characteristics of the system to train a forecasting model. Secondly, the vibration predictions are compared to the measured ones to detect large deviations. Finally, the identified cases are used as an early-warning indicator of structural change. The artificial intelligence-based model outperforms approaches for response forecasting as no assumption on wind stationarity or on structural normal vibration behavior is needed. Specifically, wind-excited dynamic behavior suffers from uncertainty related to obtaining poor predictions when the environmental or traffic conditions change. This results in a hard distinction of what constitutes normal vibration behavior. To this end, a framework is rigorously examined on real-world measurements from the Hardanger Bridge monitored by the Norwegian University of Science and Technology. The approach captures accurate structural behavior in realistic conditions, and with respect to the changes in the system excitation. The results, importantly, highlight the potential of transformer-based digital twin components to serve as next-generation tools for resilient infrastructure management, continuous learning, and adaptive monitoring over the system's lifecycle with respect to temporal characteristics.
• Abstract（参考訳）: ここでは, 風による新しい変圧器手法の構造応答予測機能について検討する。 このモデルは、ブリッジ構造健康モニタリングのためのデジタルツインコンポーネントも提供する。 まず,システムの時間特性を用いて予測モデルをトレーニングする。 次に、振動予測を測定値と比較し、大きな偏差を検出する。 最後に、特定されたケースは、構造変化の早期警戒指標として使用される。 この人工知能に基づくモデルは、風の定常性や構造的な通常の振動の振る舞いを前提としないため、応答予測のアプローチよりも優れている。 具体的には、風が吹く動的挙動は、環境や交通条件が変化したときの予測不良に関連する不確実性に悩まされる。 この結果、通常の振動の振る舞いを構成するものとは区別が難しい。 この目的のために、ノルウェー科学技術大学が監視するハーダンガー橋の実際の測定について、フレームワークを精査する。 このアプローチは、現実的な条件における正確な構造的挙動と、システム励起の変化をキャプチャする。 重要なことは、トランスフォーマーベースのデジタルツインコンポーネントが、時間的特性に関してシステムのライフサイクル上でレジリエントなインフラストラクチャ管理、継続的学習、適応監視のための次世代ツールとして機能する可能性を強調している。

関連論文リスト

• KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra [65.11254608352982]
  生成元をベースとしたニューラル・クープマン・フレームワークを導入し,構造的かつ状態に依存したクープマン・ジェネレータの表現を通じて動的にモデル化する。 固有のカルテス分解をスキュー結合および自己結合成分に利用することにより、KoopGenは可逆的な散逸から保守的な輸送を分離する。
  論文  参考訳（メタデータ） (2026-02-15T06:32:23Z)
• Flexible Gravitational-Wave Parameter Estimation with Transformers [73.44614054040267]
  本稿では,予測時間における多様な解析設定への適応を可能にする,フレキシブルトランスフォーマーベースのアーキテクチャをトレーニング戦略と組み合わせて導入する。 我々は、Dingo-T1と呼ばれる単一のフレキシブルモデルが、第3のLIGO-Virgo-KAGRA観測ランから48の重力波イベントを解析できることを実証した。
  論文  参考訳（メタデータ） (2025-12-02T17:49:08Z)
• Structured Noise Modeling for Enhanced Time-Series Forecasting [0.0]
  本研究は、構造的ノイズモデリングによる時間的忠実度を改善する予測ブルーデノエーズフレームワークを導入する。 電気、交通、太陽のデータセットにわたる実験は、マルチ水平精度と安定性において一貫した利得を示している。 このフレームワークは、エネルギー、インフラストラクチャ、その他の時間クリティカルドメインにわたる予測駆動決定サポートに使用される、より信頼性の高いAIシステムに寄与する。
  論文  参考訳（メタデータ） (2025-11-24T19:44:46Z)
• Parallel BiLSTM-Transformer networks for forecasting chaotic dynamics [24.960864709838436]
  本研究では,Transformer と Bidirectional Long Short-Term Memory Network を統合した並列予測フレームワークを提案する。 提案したハイブリッドモデルはデュアルブランチアーキテクチャを採用しており、Transformerブランチは主に長距離依存関係をキャプチャする。 結果は、提案されたハイブリッドフレームワークがタスク間でシングルブランチアーキテクチャの両方より優れていることを一貫して示している。
  論文  参考訳（メタデータ） (2025-10-27T16:17:10Z)
• A Physics Prior-Guided Dual-Stream Attention Network for Motion Prediction of Elastic Bragg Breakwaters [7.146484689550911]
  従来のディープラーニングモデルは、目に見えない海の状態を示すとき、限定的な一般化能力を示すことが多い。 本研究は,PhysAttnNet(PhysAttnNet)を用いた物理優先型デュアルストリームアテンションネットワークを提案する。 ウェーブ・フラム・データセットの実験では、PhysAttnNetが主流モデルを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-10-16T03:06:44Z)
• Synthetic Time Series Forecasting with Transformer Architectures: Extensive Simulation Benchmarks [1.03590082373586]
  時系列予測はエネルギー、金融、医療といった分野において重要な役割を果たす。 Autoformer、Informer、Patchtst-eachは3種類のアーキテクチャで評価された。 Koopman-enhanced TransformerフレームワークであるDeep Koopformerは、演算子理論の潜在状態モデリングを統合している。
  論文  参考訳（メタデータ） (2025-05-26T14:34:05Z)
• Powerformer: A Transformer with Weighted Causal Attention for Time-series Forecasting [50.298817606660826]
  我々は,非因果重みをスムーズな重み付き崩壊に応じて再加重する因果重みに置き換える新しいトランスフォーマーであるPowerformerを紹介する。 我々の実証実験の結果,Powerformer は公開時系列ベンチマークで最先端の精度を達成できた。 分析の結果、トレーニング中にモデルの局所性バイアスが増幅され、時系列データとパワールールに基づく注意の相互作用が示されることがわかった。
  論文  参考訳（メタデータ） (2025-02-10T04:42:11Z)
• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• A physics-informed machine learning model for reconstruction of dynamic loads [0.0]
  本稿では, 物理インフォームド・マシン・ラーニング・フレームワークを用いて, 測定された偏向, 速度, 加速度に基づいて動的力の再構成を行う。 このフレームワークは不完全で汚染されたデータを扱うことができ、ノイズ測定システムを考慮した自然な正規化手法を提供する。 開発されたフレームワークには、設計モデルと仮定、損傷検出と健康モニタリングを支援するための応答の予後が含まれる。
  論文  参考訳（メタデータ） (2023-08-15T18:33:58Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。