論文の概要: Towards Interpretable Damage Detection based on Aerodynamic Pressure Measurements
- arxiv url: http://arxiv.org/abs/2605.08187v1
- Date: Tue, 05 May 2026 12:27:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.442948
- Title: Towards Interpretable Damage Detection based on Aerodynamic Pressure Measurements
- Title（参考訳）: 空力圧力測定に基づく解釈的損傷検出に向けて
- Authors: Philip Franz, Max von Danwitz, Gregory Duthé, Alexander Popp, Eleni Chatzi,
- Abstract要約: 本研究では, 弾性および空気力学的に負荷された構造物の構造損傷検出のための空力圧力測定の可能性について検討した。
我々は,空気力学的圧力信号のみを用いて,構造的損傷を検出し,その重症度を分類する畳み込みニューラルネットワークを開発した。
- 参考スコア（独自算出の注目度）: 37.13488258195725
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The increasing flexibility of modern large wind turbine blades necessitates cost-efficient and reliable structural monitoring solutions. For this purpose, we propose to use aerodynamic pressure measurements obtained via Aerosense, a novel, non-intrusive and economical sensing system. In former work [Franz et al., 2025], we investigated the potential of aerodynamic pressure measurements for structural damage detection on elastic and aerodynamically loaded structures. An experimental campaign was conducted on a NACA 633418 airfoil mounted on a vertically vibrating cantilever beam within an open wind tunnel. Structural damage was introduced progressively through controlled saw cuts near the beam support. Aerodynamic pressure distributions were recorded under varying inflow conditions and structural states. Based on this data set, we developed a convolutional neural network to detect structural damage and classify its severity using only aerodynamic pressure signals. The results demonstrate that pressure measurements can effectively enable real-time detection and quantification of damage in elastic, beam-like structures subjected to mildly turbulent flow and varying operational conditions. Recognizing the limitations of pure black-box classification, in this study, we further incorporate physics-based insights and explainable machine learning methods to interpret how structural damage influences both the dynamic response and the aerodynamic pressure field. This leads to an enhanced damage detection pipeline, aiming to improve transparency, robustness, and physical consistency in data-driven monitoring of elastic, aerodynamically loaded structures.
- Abstract（参考訳）: 現代の大型風力タービンブレードの柔軟性の増大は、コスト効率と信頼性の高い構造監視ソリューションを必要とする。
そこで本研究では,新規で非侵襲的で経済的なセンシングシステムであるAerosenseを用いて得られた空力圧の測定手法を提案する。
従来の研究 (Franz et al , 2025) において, 弾性および空気力学的に負荷された構造物の構造損傷検出のための空気力学的圧力測定の可能性について検討した。
オープン・ウィンド・トンネル内の垂直振動するカンチレバー・ビームに搭載されたNACA 633418の翼上で実験を行った。
構造的損傷は、梁支持部付近の制御された切り欠きによって徐々に導入された。
空気力学の圧力分布は、様々な流入条件と構造状態下で記録された。
このデータセットに基づいて,空気力学的圧力信号のみを用いて構造的損傷を検出し,その重症度を分類する畳み込みニューラルネットワークを開発した。
その結果、圧力測定により、緩やかな乱流と様々な操作条件下での弾性的梁状構造物の損傷のリアルタイム検出と定量化を効果的に実現できることが示された。
本研究は, 純粋なブラックボックス分類の限界を認識し, さらに物理に基づく洞察と説明可能な機械学習手法を取り入れ, 構造的損傷が動的応答と空気力学的圧力場の両方にどのように影響するかを解釈する。
これにより、弾性、空気力学的にロードされた構造のデータ駆動監視において、透明性、堅牢性、物理的一貫性を改善することを目的とした、損傷検出パイプラインが強化される。
関連論文リスト
- Estimating Flow Velocity and Vehicle Angle-of-Attack from Non-invasive Piezoelectric Structural Measurements Using Deep Learning [0.0]
空力負荷予測,飛行制御,モデル検証には,自由流速度や攻撃角度などの空力状態変数の正確な推定が重要である。
本研究は, ピボット管などの直接流量計ではなく, 構造振動測定から車両速度とAoAを推定する非侵襲的手法を提案する。
概念実証は、ゼロと非ゼロのAoA構成、マッハ5とマッハ8条件、一定かつ連続的なトンネル操作にまたがるサンディアの超音速風洞の制御実験を通じて実証される。
論文 参考訳（メタデータ） (2026-03-24T17:58:23Z) - Physics-infused Learning for Aerial Manipulator in Winds and Near-Wall Environments [3.895172208362693]
空中操作(AM)は、受動的観測から高高度およびその他の到達不能な環境での接触操作まで、UAV能力を拡大する。
本稿では,物理に基づくブレード要素モデルと学習に基づく残留力推定器を統合し,外乱補償のためのロータ速度割当戦略を組み込むことにより,統一的な制御フレームワークを実現する。
その結果, 従来の手法よりも外乱推定と軌道追跡精度が向上し, 困難な空力条件下でのロバストな壁面接触実行が可能となった。
論文 参考訳（メタデータ） (2026-03-08T22:08:15Z) - Physics-informed Neural-operator Predictive Control for Drag Reduction in Turbulent Flows [109.99020160824553]
乱流のモデリングと制御のための効率的な深部強化学習フレームワークを提案する。
予測制御(PC)のためのモデルベースRLであり、乱流制御のためのポリシとオブザーバモデルの両方を共同で学習する。
その結果, PINO-PCは, バルク速度レイノルズ数15,000で39.0%の抗力低下を達成し, 従来の流体制御法を32%以上上回った。
論文 参考訳（メタデータ） (2025-10-03T00:18:26Z) - 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) - Single Frame Atmospheric Turbulence Mitigation: A Benchmark Study and A
New Physics-Inspired Transformer Model [82.23276183684001]
本研究では,大気乱流の画像化のための物理インスピレーション付き変圧器モデルを提案する。
提案ネットワークは変圧器ブロックのパワーを利用して動的乱流歪みマップを共同で抽出する。
そこで本研究では,従来の客観的指標と,テキスト認識精度を用いたタスク駆動計測の両方で評価可能な,実世界の乱流データセットを新たに2つ提示する。
論文 参考訳（メタデータ） (2022-07-20T17:09:16Z) - 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) - Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。
Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
論文 参考訳（メタデータ） (2022-05-13T21:55:28Z) - Airfoil's Aerodynamic Coefficients Prediction using Artificial Neural
Network [0.0]
右翼を見つけることは、あらゆる航空機の設計の予備段階における重要なステップである。
本研究では、異なるネットワークアーキテクチャとトレーニングデータセットを比較し、ネットワークが与えられた翼のジオメトリをどのように知覚するかについての洞察を得る。
論文 参考訳（メタデータ） (2021-09-24T19:07:19Z) - Data-driven Aerodynamic Analysis of Structures using Gaussian Processes [0.0]
本稿では,橋梁に作用する非線形自励力のデータ駆動モデルを提案する。
このフレームワークは、CFD(Computational Fluid Dynamics)データに基づいて、合理化およびブラフブリッジデッキに適用される。
提案フレームワークのさらなる応用は,細線状構造物の設計とオンラインリアルタイム監視に期待できる。
論文 参考訳（メタデータ） (2021-03-20T11:22:24Z)
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。