論文の概要: Adaptive Distance-Aware Trunk Deep Operator Learning for Long-Span Roadway Bridges

• arxiv url: http://arxiv.org/abs/2606.20015v1
• Date: Thu, 18 Jun 2026 09:47:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.778097
• Title: Adaptive Distance-Aware Trunk Deep Operator Learning for Long-Span Roadway Bridges
• Title（参考訳）: 長距離道路橋梁における適応距離対応幹線道路深部演算子学習
• Authors: Bilal Ahmed, Diab W. Abueidda, Waleed El-Sekelly, Tarek Abdoun, Mostafa E. Mobasher,
• Abstract要約: ロングスパン道路橋は、車両荷重下での高度に局所的な構造的応答を示す。 既存のSciMLアプローチは、これらのローカライズされたレスポンスを正確にキャプチャするのに苦労している。 本研究では,大規模橋梁システムにおける局所構造応答予測のための適応トランクDeepONetを提案する。
• 参考スコア（独自算出の注目度）: 1.7367491820489995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-span roadway bridges exhibit highly localized structural responses under vehicular loading, making repeated FE analysis computationally expensive for applications such as influence surface generation and structural digital twins. Existing SciML approaches struggle to accurately capture these localized responses. To address this challenge, this study proposes an adaptive-trunk DeepONet for localized structural response prediction in large-scale bridge systems. The framework dynamically constructs a load-dependent learning domain using a KNN strategy, allowing the network to focus on structural influence zones. The trunk network is further enhanced using distance-aware features that encode the geometric relationship between the load and structural nodes. A physics-based full-field reconstruction is incorporated through a stiffness-informed Schur complement formulation, enabling predictions at adaptive nodes to be extended to the entire structural domain. To enable scalable training, response data are generated using a reduced-order equivalent shell model that preserves the dominant global behavior while significantly reducing computational cost. The proposed framework is validated on both a benchmark bridge model and the real-world Mussafah Bridge. Results show that the method achieves FEM-level accuracy with relative errors below 5%, while reducing the total response evaluation time (including full-field reconstruction) by approximately 60x; excluding the post-processing reconstruction step, the AD-DeepONet inference is up to four orders of magnitude faster than FEM. In addition, the framework enables rapid generation of full-field responses, influence lines, and influence surfaces under arbitrary vehicular loading configurations, demonstrating strong potential for large-scale bridge analysis and digital twin applications.
• Abstract（参考訳）: 長い幅の道路橋は、車両の荷重下で高度に局所化された構造応答を示し、影響面生成や構造的デジタルツインといった用途において、繰り返しFE解析を計算的にコストがかかる。 既存のSciMLアプローチは、これらのローカライズされたレスポンスを正確にキャプチャするのに苦労している。 そこで本研究では,大規模橋梁システムにおける局所構造応答予測のための適応トランクDeepONetを提案する。 このフレームワークはKNN戦略を用いて動的に負荷依存学習ドメインを構築し、ネットワークが構造的影響ゾーンに集中できるようにする。 トランクネットワークは、負荷と構造ノードの間の幾何学的関係を符号化する距離認識機能により、さらに拡張される。 物理に基づくフルフィールド再構成は、剛性インフォームドシュア補体系によって組み込まれ、適応ノードでの予測を構造領域全体に拡張することができる。 スケーラブルなトレーニングを実現するため、計算コストを大幅に削減しつつ、大局的なグローバルな振る舞いを保ちながら、下位値の等価シェルモデルを用いて応答データを生成する。 提案するフレームワークは,ベンチマークブリッジモデルと実世界のMussafah Bridgeの両方で検証されている。 その結果,5%以下の相対誤差でFEMレベルの精度を実現するとともに,全応答評価時間(全フィールド再構成を含む)を約60倍削減し,処理後再構成ステップを除くと,AD-DeepONet推論はFEMよりも最大4桁高速であることがわかった。 さらに、任意の車両載荷構成下でのフルフィールド応答、影響線、影響面の迅速な生成を可能にし、大規模橋梁解析やデジタルツイン応用の強い可能性を示す。

関連論文リスト

• Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
  交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。 AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする 我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
  論文  参考訳（メタデータ） (2026-03-12T18:19:21Z)
• StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
  本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。 我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。 スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-02T11:35:05Z)
• Using Deep Operators to Create Spatio-temporal Surrogates for Dynamical Systems under Uncertainty [0.4499833362998487]
  本研究では,Deep演算子ネットワーク(DeepONets)の新たな変種としてフルフィールド拡張DeepONet(FExD)を提案する。 提案したFExDはより優れた精度と計算効率を達成でき、構造力学応用のための演算子学習の大幅な進歩を示す。
  論文  参考訳（メタデータ） (2025-06-13T13:16:09Z)
• Physics-informed Multiple-Input Operators for efficient dynamic response prediction of structures [0.07916635054977067]
  MIONetは空間と時間の両方で連続的に構造的応答を予測する。 モデルは単純なビームとKW-51ブリッジの両方で検証され、FEMレベルの精度は数秒で達成される。
  論文  参考訳（メタデータ） (2025-05-11T18:45:58Z)
• Physics-informed DeepONet with stiffness-based loss functions for structural response prediction [0.07538606213726905]
  本研究では,DeepOnetを用いた構造的静的応答のリアルタイム予測手法を提案する。 トレーニングされたDeepONetは、1秒以内にドメイン全体のソリューションを生成することができる。
  論文  参考訳（メタデータ） (2024-09-02T07:19:47Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• DAIS: Automatic Channel Pruning via Differentiable Annealing Indicator Search [55.164053971213576]
  畳み込みニューラルネットワークは,計算オーバーヘッドが大きいにもかかわらず,コンピュータビジョンタスクの実行において大きな成功を収めている。 構造的(チャネル)プルーニングは、通常、ネットワーク構造を保ちながらモデルの冗長性を低減するために適用される。 既存の構造化プルーニング法では、手作りのルールが必要であり、これは大きなプルーニング空間に繋がる可能性がある。
  論文  参考訳（メタデータ） (2020-11-04T07:43:01Z)

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。