論文の概要: Uncertainty-aware damage identification in short-span bridges via physics-informed variational autoencoder

• arxiv url: http://arxiv.org/abs/2607.05025v2
• Date: Wed, 08 Jul 2026 07:32:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 12:30:34.766764
• Title: Uncertainty-aware damage identification in short-span bridges via physics-informed variational autoencoder
• Title（参考訳）: 物理インフォームド変分オートエンコーダによる短絡橋の不確かさ認識損傷の同定
• Authors: Ana Fernandez-Navamuel, A. Javier Omella, Diego Zamora-Sanchez, David Pardo,
• Abstract要約: 本研究は,構造的健康モニタリングのための物理インフォームドガウスコーパス変分オートエンコーダを提案する。 我々は、潜伏変数の従来の独立性仮定をガウスコプラに置き換える。 その結果、PI-VAEは真の後部分布を正確に回復し、77.2%のカバレッジを達成した。
• 参考スコア（独自算出の注目度）: 0.4893345190925178
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vibration-based damage identification in civil infrastructure is a challenging, ill-posed inverse problem due to measurement noise, sparse sensor arrays, and environmental variability. While deep learning is powerful for system identification, deterministic approaches lack reliable uncertainty quantification and can yield physically inconsistent results. This work proposes a robust probabilistic Scientific Machine Learning (SciML) framework: a physics-informed Gaussian copula variational autoencoder (PI-GCVAE) for structural health monitoring (SHM). First, we eliminate the need for data-driven surrogates by embedding a differentiable numerical eigenvalue solver directly into the VAE architecture. This ensures that latent space samples satisfy the governing equations of structural dynamics, reducing the trainable parameter space and improving generalization. Second, we replace the conventional independence assumption of latent variables with a Gaussian copula. This model captures complex, physics-dependent spatial cross-correlations between adjacent structural elements, defining feasible solutions while accounting for inherent system variability and measurement errors. Third, compared with alternatives such as Gaussian mixtures, our copula-based VAE provides an efficient distributional model for high-dimensional, strongly correlated latent spaces. We validate the approach using a synthetic dataset of a simply supported bridge subjected to various damage scenarios and corrupted with stochastic Gaussian noise. Synthetic data enables exhaustive validation against ground-truth stiffness values unavailable in practice. Results demonstrate that the PI-GCVAE accurately recovers the true posterior distribution, achieving 77.2% coverage. The proposed framework provides a reliable, scalable tool for early-stage damage diagnosis in operating bridges.
• Abstract（参考訳）: 土木構造物における振動による損傷の識別は, 計測ノイズ, スパースセンサアレイ, 環境変動による逆問題である。 深層学習はシステム同定に強力であるが、決定論的アプローチには確実な定量化が欠如しており、物理的に矛盾した結果が得られる。 本研究は,構造的健康モニタリング(SHM)のための物理インフォームドガウスコーパスラ変分オートエンコーダ(PI-GCVAE)という,堅牢な確率的科学機械学習(SciML)フレームワークを提案する。 まず、微分可能な数値固有値解決器を直接VAEアーキテクチャに埋め込むことにより、データ駆動サロゲートの必要性を解消する。 これにより、潜在空間サンプルが構造力学の制御方程式を満たすことを保証し、訓練可能なパラメータ空間を減らし、一般化を改善する。 第二に、潜伏変数の従来の独立仮定をガウスコプラに置き換える。 このモデルは、隣接する構造要素間の複雑で物理に依存した空間的相互相関を捉え、本質的なシステムの可変性と測定誤差を考慮しつつ、実現可能な解を定義する。 第3に、ガウス混合のような代替品と比較して、我々のコプラベースのVAEは高次元、強く相関した潜在空間に対して効率的な分布モデルを提供する。 本手法は, 各種損傷シナリオを考慮し, 確率的ガウス雑音を伴って, 簡易に支持された橋梁の合成データセットを用いて検証した。 合成データにより、実際に利用できない地道剛性値に対する徹底的な検証が可能になる。 その結果、PI-GCVAEは真の後部分布を正確に回復し、77.2%のカバレッジを達成した。 提案フレームワークは, 橋梁の早期損傷診断のための信頼性, スケーラブルなツールを提供する。

関連論文リスト

• Effective Covariance Dynamics in Solvable High-Dimensional GANs [2.639628765667673]
  線形生成器がデータから低次元部分空間を学習するGANトレーニングの可解な高次元モデルについて検討する。 顕微鏡トレーニングプロセスが高次元の極限において、この効果的な共分散によって支配される決定論的常微分方程式に収束することを証明する。
  論文  参考訳（メタデータ） (2026-06-25T16:33:54Z)
• Variational Rectification Inference for Learning with Noisy Labels [74.85528327499662]
  損失関数の適応的補正を定式化するために, 変分補正推論(VRI)を提案する。 VRIは、補正ベクトルを潜在変数として扱うことによって階層ベイズとして構成される。 VRIで変分項を導入することにより、条件付き後部を正確に推定し、ディラックデルタ関数への崩壊を避ける。
  論文  参考訳（メタデータ） (2026-03-18T01:25:08Z)
• Towards a data-scale independent regulariser for robust sparse identification of non-linear dynamics [0.0]
  データ正規化は、マグニチュードベースのスパース回帰法による支配方程式の発見を著しく歪めることができる。 本稿では,新しい計算効率の高いスパース回帰アルゴリズムSTCV(Sequential Thresholding of Coefficient of Variation)を提案する。 そこで本研究では,STCVに基づく手法が,他の手法が失敗した場合でも,正しい,まばらな物理法則を正しく識別できることを示す。
  論文  参考訳（メタデータ） (2026-03-05T14:11:22Z)
• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• Wasserstein Regression as a Variational Approximation of Probabilistic Trajectories through the Bernstein Basis [41.99844472131922]
  既存のアプローチは、しばしば確率空間の幾何学を無視したり、計算コストがかかる。 ベルンシュタイン基底を用いた確率軌道のパラメータ化と分布間のワッサーシュタイン距離の最小化を組み合わせた新しい手法を提案する。 この手法は、幾何学的精度、計算的実用性、解釈可能性を組み合わせたものである。
  論文  参考訳（メタデータ） (2025-10-30T15:36:39Z)
• LVM-GP: Uncertainty-Aware PDE Solver via coupling latent variable model and Gaussian process [9.576396359649921]
  雑音データを用いたPDEの解法における不確実性定量化のための新しいフレームワーク LVM-GP を提案する。 アーキテクチャは信頼を意識したエンコーダと確率的デコーダで構成される。
  論文  参考訳（メタデータ） (2025-07-30T09:00:39Z)
• Distributionally Robust Optimization with Adversarial Data Contamination [49.89480853499918]
  凸リプシッツ損失関数を持つ一般化線形モデルに対するワッサーシュタイン-1 DRO 目標の最適化に焦点をあてる。 私たちの主な貢献は、データ汚染のトレーニングに対するロバストネスと分散シフトに対するロバストネスを統合した、新しいモデリングフレームワークです。 この研究は、データ汚染と分散シフトという2つの課題の下で学習するために、効率的な計算によって支援される最初の厳密な保証を確立する。
  論文  参考訳（メタデータ） (2025-07-14T18:34:10Z)
• Discovering Governing Equations in the Presence of Uncertainty [11.752763800308276]
  本研究では, 力学系を基礎とする支配方程式を一貫して発見する鍵として, 測定ノイズとともに, システムの変動性を考慮した説明が重要であることを理論的に論じる。 SIPは、スパース同定ダイナミクス(SINDy)とその変種に対する平均82%の正方程式を一貫して同定することを示した。
  論文  参考訳（メタデータ） (2025-07-13T18:31:25Z)
• Addressing Misspecification in Simulation-based Inference through Data-driven Calibration [43.811367860375825]
  本研究は, モデル不特定性を克服するフレームワークであるロPEを導入し, 実世界の小キャリブレーションによる地下構造パラメータの測定を行った。 4つの合成課題と2つの実世界の問題により、RoPEはベースラインを上回り、情報的およびキャリブレーションされた信頼区間を一貫して返却することを示した。
  論文  参考訳（メタデータ） (2024-05-14T16:04:39Z)
• General stochastic separation theorems with optimal bounds [68.8204255655161]
  分離性の現象が明らかになり、機械学習で人工知能(AI)システムのエラーを修正し、AI不安定性を分析するために使用された。 エラーやエラーのクラスタは、残りのデータから分離することができる。 AIシステムを修正する能力は、それに対する攻撃の可能性も開き、高次元性は、同じ分離性によって引き起こされる脆弱性を誘発する。
  論文  参考訳（メタデータ） (2020-10-11T13:12:41Z)
• Sparse representation for damage identification of structural systems [11.397437423613418]
  モデル更新とスパース損傷識別のための2段階感度解析に基づく新しいフレームワークを提案する。 次に、準$ell法上に構築されたスパース表現パイプラインを、損傷と局所化定量化のために提示する。 提案手法は, 構造損傷の局所化と定量化の両方を高精度に行うことができることを示す。
  論文  参考訳（メタデータ） (2020-06-06T18:04:35Z)

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。