論文の概要: Aerodynamic force reconstruction using physics-informed Gaussian processes

• arxiv url: http://arxiv.org/abs/2605.22111v1
• Date: Thu, 21 May 2026 07:45:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.146432
• Title: Aerodynamic force reconstruction using physics-informed Gaussian processes
• Title（参考訳）: 物理インフォームドガウス法による空気力復元
• Authors: Gledson Rodrigo Tondo, Igor Kavrakov, Guido Morgenthal,
• Abstract要約: 本研究では,構造的動的応答の雑音測定から基礎となる空力負荷を再構築する機械学習手法を提案する。 このモデルはオーバーフィッティングを回避し、正規化スキームの必要性を排除し、不均一データと多忠実データの使用を可能にする。 結果は、特にルート平均二乗誤差、等級、位相角、信号のピーク値に関連する、真の負荷と予測負荷の強い一致を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate modeling of aerodynamic loads is essential for understanding and predicting the responses of complex structural systems. However, these models often rely on simplifications of the true physical forces, introducing assumptions that can limit their accuracy. Validating such models becomes particularly challenging in the presence of noisy or incomplete data. To address this, we introduce a probabilistic physics-informed machine learning approach designed to reconstruct the underlying aerodynamic loads from noisy measurements of structural dynamic responses. The model avoids overfitting, eliminates the need for regularization schemes, and allows for the use of heterogeneous and multi-fidelity data during the training process. The efficacy of the approach is demonstrated through the reconstruction of aerodynamic loads on the Great Belt East Bridge, simulated under a linear unsteady assumption. Results show a strong agreement between true and predicted loads, particularly related to root mean squared errors, magnitude, phase angle and peak values of the signals. The method for load reconstructing holds broad applicability, such as modeling validation, future load estimation, and structural damage prognosis.
• Abstract（参考訳）: 空力負荷の正確なモデリングは、複雑な構造系の応答を理解し予測するために不可欠である。 しかしながら、これらのモデルはしばしば真の物理的力の単純化に頼り、その精度を制限する仮定を導入する。 このようなモデルの検証は、ノイズや不完全なデータが存在する場合、特に困難になる。 これを解決するために,構造的動的応答のノイズ測定から基礎となる空力負荷を再構成する確率論的物理インフォームド機械学習手法を提案する。 このモデルはオーバーフィッティングを回避し、正規化スキームの必要性を排除し、トレーニングプロセス中に不均一データと多忠実データを使用することを可能にしている。 この手法の有効性は, 線形非定常仮定で模擬したグレートベルト東橋の空力荷重の再構成によって実証される。 結果は、特にルート平均二乗誤差、等級、位相角、信号のピーク値に関連する、真の負荷と予測負荷の強い一致を示す。 負荷再構成方法は、モデリング検証、将来の負荷推定、構造的損傷の予後など、幅広い適用性を有する。

関連論文リスト

• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Generative modeling of granular flow on inclined planes using conditional flow matching [4.880426970438706]
  本研究では,スパース境界観測から粒界再構成を行うための第1条件流整合フレームワークを提案する。 物理デコーダは、再構成された速度場を応力状態とエネルギー変動量にマッピングする。 その結果, 条件付き生成モデリングは, 粒状媒体に隠されたバルク力学を非侵襲的に推定する実用的な方法であることがわかった。
  論文  参考訳（メタデータ） (2026-04-06T05:59:54Z)
• Weight Spectra Induced Efficient Model Adaptation [54.8615621415845]
  微調整された大規模な基礎モデルは、計算コストを禁ずる。 微調整が最上位特異値を大きく増幅する一方で,残りはほとんど無傷であることを示す。 本稿では,トップ特異方向の学習可能な再スケーリングを利用する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-05-29T05:03:29Z)
• Efficient dynamic modal load reconstruction using physics-informed Gaussian processes based on frequency-sparse Fourier basis functions [0.0]
  本稿では,物理インフォームドガウス法(GP)を用いた効率的な動的負荷再構成法を提案する。 GPの共分散行列はシステム力学の記述を用いて構築され、構造応答測定を用いてモデルを訓練する。 開発されたモデルは, 構造的健康モニタリング, 損傷予後, 負荷モデル検証に応用できる可能性を秘めている。
  論文  参考訳（メタデータ） (2025-03-12T14:16:27Z)
• 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)
• Knowledge-embedded meta-learning model for lift coefficient prediction of airfoils [25.546237636065182]
  攻撃角度の異なる任意の超臨界翼の昇降係数を求めるために,知識埋め込みメタ学習モデルを開発した。 通常のニューラルネットワークと比較して,提案モデルでは,競合予測精度でより優れた一般化能力を示すことができる。 その結果, 提案モデルでは, 翼形状が物理的特性に与える影響を評価する傾向が示唆された。
  論文  参考訳（メタデータ） (2023-03-06T02:47:31Z)
• 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)
• 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)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)

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。