論文の概要: A Synthetic Reliability-Aware PINN Benchmark for Offshore Wind Turbine Support-Structure Monitoring with Bayesian Inverse Identification
- arxiv url: http://arxiv.org/abs/2606.24176v1
- Date: Tue, 23 Jun 2026 05:55:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 22:16:48.798051
- Title: A Synthetic Reliability-Aware PINN Benchmark for Offshore Wind Turbine Support-Structure Monitoring with Bayesian Inverse Identification
- Title（参考訳）: 沖風車支援のための合成信頼性を考慮したPINNベンチマーク-ベイズ逆同定による構造モニタリング
- Authors: Puneet Kant, Monika Tanwar,
- Abstract要約: 本稿では,オフショア風力タービン(OWT)単パイル支持構造監視のための合成信頼性を考慮した物理情報ニューラルネットワーク(PINN)ベンチマークであるDigi turbineについて述べる。
このワークフローは、簡易ベルヌーイビーム方程式とウィンクラー土壌の基礎を訓練目的に組み込んだもので、ベイズ固有情報を用いた逆同定と結合し、第一次信頼性法(form)スクリーニングを追加する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable structural health monitoring (SHM) of offshore wind turbine (OWT) support structures requires fast state estimation from sparse measurements. Repeated high fidelity finite element or aeroelastic analyses are difficult to use directly in online monitoring loops, while purely data-driven surrogates can require large training sets. This paper presents Digi Turbine, a synthetic reliability-aware Physics Informed Neural Network (PINN) benchmark for OWT monopile support structure monitoring. The workflow embeds a simplified Euler Bernoulli beam equation with Winkler soil foundation in the training objective, couples it with Bayesian-prior-informed inverse identification, and adds First Order Reliability Method (FORM) screening. All validation uses synthetic configurations with analytical or finite-difference ground truth motivated by the NREL 5MW reference turbine context.
- Abstract（参考訳）: オフショア風力タービン(OWT)の信頼性の高い構造健康モニタリング(SHM)には、スパース測定による高速な状態推定が必要である。
繰り返し高忠実度有限要素やエアロ弾性解析はオンライン監視ループで直接使うのは難しいが、純粋にデータ駆動サロゲートは大きなトレーニングセットを必要とする。
本稿では,OWTモノパイル支援構造監視のための合成信頼性を考慮した物理情報ニューラルネットワーク(PINN)ベンチマークであるDigi turbineを提案する。
このワークフローは、簡易なオイラー・ベルヌーイのビーム方程式とウィンクラー土壌の基礎を訓練目的に組み込み、ベイジアン・プリンシパルの逆同定と結合させ、第一次信頼性法(form)スクリーニングを追加する。
全てのバリデーションは、NREL 5MW基準タービンコンテキストによって動機付けられた解析的または有限微分基底真理を持つ合成構成を用いる。
関連論文リスト
- Outperforming Self-Attention Mechanisms in Solar Irradiance Forecasting via Physics-Guided Neural Networks [0.0]
アーキテクチャの深さよりもドメイン知識を優先する軽量な物理インフォームドハイブリッドCNN-BiLSTMフレームワークを提案する。
標準的なデータ駆動アプローチとは異なり、私たちのモデルは、Clear-Sky IndicesやSolar Zenith Angleなど15のエンジニアリングされた特徴のベクターによって明示的に導かれています。
スーダンのNASA POWERデータを用いた実験的検証では、我々の物理誘導によるアプローチが19.53W/m2のルート平均角誤差(RMSE)を達成し、複雑な注意ベースラインを著しく上回ることを示した。
論文 参考訳（メタデータ） (2026-04-15T04:17:20Z) - Ge$^\text{2}$mS-T: Multi-Dimensional Grouping for Ultra-High Energy Efficiency in Spiking Transformer [84.8831358775386]
スパイキングニューラルネットワーク(SNN)は、ニューラルネットワーク(ANN)よりも優れたエネルギー効率を提供する
ANN-SNN ConversionやSpatial-Temporal Backpropagation (STBP)といった既存のパラダイムは、固有の制限に悩まされている。
Ge$text2$mS-Tを提案する。これは時間的・空間的・ネットワーク的構造次元にまたがるグループ計算を実装した新しいアーキテクチャである。
論文 参考訳（メタデータ） (2026-04-10T02:58:46Z) - Unveiling the Mechanism of Continuous Representation Full-Waveform Inversion: A Wave Based Neural Tangent Kernel Framework [52.632217600064344]
フルウェーブフォーム・インバージョン(FWI)は、限られた測定値から波動方程式の物理パラメータを推定する。
FWI法は初期モデルの精度に対する悪名高い感度によって制限されている。
連続表現 FWI (CR-FWI) の最近の進歩は、暗黙的ニューラル表現 (INR) のような座標ベースニューラルネットワークによるパラメータモデルを表現することで、初期モデルへの依存を緩和できることを実証している。
論文 参考訳（メタデータ） (2026-03-23T03:22:33Z) - TorchLean: Formalizing Neural Networks in Lean [71.68907600404513]
本稿では,学習モデルを一級数学的対象として扱うフレームワークであるTorchLeanを紹介する。
我々はTorchLeanのエンドツーエンドを、証明された堅牢性、PINNの物理インフォームド残差、Lyapunovスタイルのニューラルコントローラ検証で検証する。
論文 参考訳（メタデータ） (2026-02-26T05:11:44Z) - A Lightweight Transfer Learning-Based State-of-Health Monitoring with Application to Lithium-ion Batteries in Autonomous Air Vehicles [53.158733310637295]
トランスファーラーニングは、データ豊富なソース作業条件から知識を活用するための有望なテクニックである。
従来のTL-based state-of-health(SOH)モニタリングは、ポータブルモバイルデバイスに適用すると実現不可能である。
本稿では,CITLを用いた軽量SOHモニタリング手法を提案する。
論文 参考訳（メタデータ） (2025-12-09T11:54:09Z) - DualGazeNet: A Biologically Inspired Dual-Gaze Query Network for Salient Object Detection [52.32976488996896]
我々はDualGazeNetを紹介した。DualGazeNetは、純粋なトランスフォーマーフレームワークで、有能なオブジェクト検出を行う。
5つのRGBベンチマークの実験によると、DualGazeNetは25の最先端CNNとTransformerベースのメソッドを一貫して上回っている。
論文 参考訳（メタデータ） (2025-11-24T08:08:22Z) - Hybrid Autoencoder-Based Framework for Early Fault Detection in Wind Turbines [0.7156193707786874]
本稿では,風力タービンにおける教師なし異常検出のためのアンサンブルに基づく新しいディープラーニングフレームワークを提案する。
提案手法は, 0.947のAUC-ROCを実現し, 故障の48時間前に早期故障検出を行う。
このアプローチは、予測的メンテナンスを可能にし、タービンの故障を低減し、大規模風力エネルギー展開における運用効率を向上することで、社会的な価値を著しく高める。
論文 参考訳（メタデータ） (2025-10-16T10:49:19Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳（メタデータ） (2023-01-05T13:59:29Z) - Intelligent Icing Detection Model of Wind Turbine Blades Based on SCADA data [0.0]
本稿では,畳み込みニューラルネットワーク(CNN),GAN(Generative Adversarial Network),ドメイン適応学習(Domain Adaption Learning)を用いて,インテリジェントな診断フレームワークを構築する可能性について検討する。
本研究は, 正常およびアイシング試料の固有特徴を捉えるために, 並列GANを用いた2段階の訓練について検討する。
3つの風力タービンSCADAデータのモデル検証は、2段階の訓練がモデル性能を効果的に改善できることを示している。
論文 参考訳（メタデータ） (2021-01-20T00:46:52Z)
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。