論文の概要: WaveGraphNet: Physics-Consistent Guided-Wave Damage Localization through Coupled Inverse-Forward Graph Learning

• arxiv url: http://arxiv.org/abs/2605.20311v1
• Date: Tue, 19 May 2026 16:51:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.291511
• Title: WaveGraphNet: Physics-Consistent Guided-Wave Damage Localization through Coupled Inverse-Forward Graph Learning
• Title（参考訳）: WaveGraphNet: 結合逆フォワードグラフ学習による物理インピーダンス誘導波損傷の局在化
• Authors: Vinay Sharma, Aditya Bharade, Olga Fink,
• Abstract要約: ピッチキャッチ測定から欠陥の空間的位置を推定することは、訓練用に限られた損傷箇所しか持たない場合に弱い制約を受ける。 本稿では、誘導波損傷の局所化のための逆フォワードグラフ学習フレームワークであるWaveGraphNetを提案する。
• 参考スコア（独自算出の注目度）: 14.952785003360509
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Guided-wave structural health monitoring enables damage localization in composite plates using sparse networks of bonded piezoelectric transducers. However, inferring the spatial location of defects from pitch-catch measurements remains weakly constrained when only a limited set of damage locations is available for training. As a result, models trained to predict defect locations may perform well on seen cases but generalize poorly to unseen regions of the structure. This paper proposes WaveGraphNet, a coupled inverse--forward graph learning framework for guided-wave damage localization in Carbon Fiber Reinforced Polymer (CFRP) plates. The sensing layout is explicitly modeled as a graph, where transducers are represented as nodes and measured propagation paths define the graph connectivity. An inverse branch maps graph-structured spectral descriptors of differential guided-wave responses to a damage location, while a forward branch predicts the path-wise energy-deviation patterns of measured wave responses associated with a candidate location. During training, the forward branch serves as a physics-consistent regularizer, discouraging location estimates that are numerically plausible but inconsistent with the measured redistribution of wave-response energy. This coupling encourages agreement between inferred damage coordinates and the underlying wave propagation behavior. Within this benchmark, the proposed graph-based formulation provides a strong localization model for sparse guided-wave sensing and demonstrates improved robustness in extrapolation to held-out regions compared to both non-graph and graph baselines. These results highlight the potential of coupled inverse-forward graph learning as an effective strategy for guided-wave localization under limited spatial coverage.
• Abstract（参考訳）: 導波構造モニタリングは、結合型圧電トランスデューサのスパースネットワークを用いた複合板の損傷局所化を可能にする。 しかし, ピッチキャッチ測定から欠陥の空間的位置を推定することは, 限られた損傷箇所のみを訓練に利用できる場合にも弱い制約が残っている。 結果として、欠陥位置を予測するために訓練されたモデルは、例によっては良好に機能するが、構造の未確認領域にはあまり一般化しない。 本稿では,炭素繊維強化ポリマー(CFRP)板の導波損傷局在化のための逆フォワードグラフ学習フレームワークであるWaveGraphNetを提案する。 センサレイアウトはグラフとして明示的にモデル化され、トランスデューサはノードとして表現され、測定された伝搬経路はグラフ接続を定義する。 逆ブランチは、差動誘導波応答のグラフ構造スペクトル記述子を損傷位置にマッピングし、前方ブランチは、候補位置に関連する測定波応答の経路ワイドエネルギー偏差パターンを予測する。 トレーニング中、フォワードブランチは物理学に一貫性のある正則化器として機能し、数値的に可算であるが波動応答エネルギーの計測値の再分配と矛盾する位置推定を阻害する。 この結合は、推定された損傷座標と基礎となる波動伝播挙動の一致を促進する。 このベンチマークでは、グラフベースの定式化により、スパースガイド波センシングの強力な局所化モデルが提供され、非グラフおよびグラフベースラインと比較して、ホールドアウト領域への補間における堅牢性の向上が示されている。 これらの結果は,空間被覆に制限された誘導波の局所化のための効果的な戦略として,結合逆フォワードグラフ学習の可能性を強調した。

関連論文リスト

• Riemannian Flow Matching for Disentangled Graph Domain Adaptation [51.98961391065951]
  グラフドメイン適応(GDA)は典型的には、ユークリッド空間におけるグラフ埋め込みの整列に逆学習を使用する。 DisRFMは、埋め込みとフローベースのトランスポートを統一する幾何学的なGDAフレームワークである。
  論文  参考訳（メタデータ） (2026-01-31T11:05:35Z)
• A Spectral Interpretation of Redundancy in a Graph Reservoir [51.40366905583043]
  この研究はMRGNN(Multi resolution Reservoir Graph Neural Network)における貯留層の定義を再考する。 コンピュータグラフィックスにおける表面設計の分野で最初に導入されたフェアリングアルゴリズムに基づく変種を提案する。 この論文の中核的な貢献は、ランダムウォークの観点からのアルゴリズムの理論解析にある。
  論文  参考訳（メタデータ） (2025-07-17T10:02:57Z)
• CAPE: Connectivity-Aware Path Enforcement Loss for Curvilinear Structure Delineation [0.0]
  CAPE(Connectivity-Aware Path Enforcement)はセグメンテーションマップから得られるグラフの接続性を強化するために設計された新しい損失関数である。 本稿では,CAPEがトポロジ認識の指標を大幅に改善し,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-01T13:03:52Z)
• Towards Inductive Robustness: Distilling and Fostering Wave-induced Resonance in Transductive GCNs Against Graph Adversarial Attacks [56.56052273318443]
  グラフニューラルネットワーク(GNN)は、グラフ構造のわずかな摂動が誤った予測に繋がる敵の攻撃に弱いことが示されている。 ここでは, トランスダクティブGCNは本質的に, 波動誘起共鳴プロセスによって達成される, 蒸留可能なロバスト性を有することがわかった。 本稿では,この共振を学習ノード表現を通じて促進するグラフ共振源ネットワーク(GRN)を提案する。
  論文  参考訳（メタデータ） (2023-12-14T04:25:50Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)
• Bayesian Graph Convolutional Network for Traffic Prediction [23.30484840210517]
  これらの問題を緩和するためにベイズグラフ畳み込みネットワーク(BGCN)フレームワークを提案する。 この枠組みの下では、グラフ構造はパラメトリック生成モデルからランダムな実現と見なされる。 本手法の有効性を5つの実世界データセットで検証し,BGCNが最新手法と比較して優れた性能を発揮することを実証した。
  論文  参考訳（メタデータ） (2021-04-01T14:19:37Z)
• Regularizing Semi-supervised Graph Convolutional Networks with a Manifold Smoothness Loss [12.948899990826426]
  グラフ構造に関して定義された教師なし多様体の滑らかさ損失を提案し、これは正規化として損失関数に追加することができる。 我々は,多層パーセプトロンおよび既存のグラフネットワークの実験を行い,提案した損失を追加することにより,連続的に性能を向上させることを示す。
  論文  参考訳（メタデータ） (2020-02-11T08:51:53Z)

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。