論文の概要: Data-Driven Forward and Inverse Modeling of V-Beam Thermal Sensors

• arxiv url: http://arxiv.org/abs/2607.09752v1
• Date: Sat, 04 Jul 2026 12:50:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.177597
• Title: Data-Driven Forward and Inverse Modeling of V-Beam Thermal Sensors
• Title（参考訳）: Vビーム熱センサのデータ駆動フォワードと逆モデリング
• Abstract要約: 本稿では,Vビーム熱センサのデータ駆動逆設計のための機械学習フレームワークを提案する。 目的は、所定の温度下で目標変位を達成する最適センサ形状を決定することである。 提案したパイプラインは3000サンプルのデータセットを使用し、変位を予測するために4.76%のMAPEを達成する。
• 参考スコア（独自算出の注目度）: 0.764671395172401
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a machine learning framework for data-driven inverse design of V-beam thermal sensors. The goal is to determine the optimal sensor geometry: beam inclination angle, beam length and beam width that achieves a target displacement under a given temperature. The design should also provide the geometry with minimum structure volume and minimum mechanical stress the sensor must support. This problem is ill-posed as for a given displacement there are multiple possible geometric configurations, causing direct regression methods to fail. We document a series of five exploratory trials that progressively revealed the nature of the problem culminating in a two-phase solution: a neural network forward model trained to map geometry and material constants to sensor responses, a gradient-descent inverse optimization over the frozen forward model, minimizing stress and volume simultaneously. The proposed pipeline utilizes a 3000-sample dataset and achieves a MAPE of 4.76% for predicting the displacement, more than 70% of predictions having MAPE of under 5%.
• Abstract（参考訳）: 本稿では,Vビーム熱センサのデータ駆動逆設計のための機械学習フレームワークを提案する。 目的は、ビーム傾斜角、ビーム長、ビーム幅という、所定の温度下で目標変位を達成する最適なセンサー形状を決定することである。 この設計はまた、センサーがサポートしなければならない最小構造量と最小機械的応力を備えた幾何学を提供する必要がある。 この問題は、与えられた変位に対して、幾何的な構成が複数あり、直接回帰法が失敗する原因となる。 センサ応答に幾何と物質定数をマッピングするよう訓練されたニューラルネットワークフォワードモデル、凍結したフォワードモデルに対する勾配-蛍光逆最適化、ストレスとボリュームを同時に最小化する。 提案したパイプラインは3000サンプルのデータセットを使用し、変位を予測するために4.76%のMAPEを達成し、MAPEが5%未満である予測の70%以上を達成している。

関連論文リスト

• Computational Depth Measurement in Thermographic Video: Overcoming Spatial Overfitting via Spatio-Temporal Decoupling [2.5621346794752724]
  光パルスサーモグラフィ(OPTOPT)は体積測定ではなく2次元の熱映像を提供する。 この研究は、空間欠陥の局所化と時間深度測定を分離するアーキテクチャを導入する。 4つの回帰モデルが試料レベルのクロスバリデーションを用いて評価された。
  論文  参考訳（メタデータ） (2026-08-29T12:26:27Z)
• Machine Learning-Based Reconstruction for Resistive Silicon Sensors [53.365453214937496]
  抵抗型シリコンセンサの機械学習による再構成と圧縮について検討した。 相関パッドからのフルウェーブフォーム情報を用いて、再構成を規則化し、空間情報を抽出する。 まず、LSTM層に基づくリカレントニューラルネットワークモデルを紹介し、フルウェーブフォーム再構成のための概念実証実装を提供する。
  論文  参考訳（メタデータ） (2026-07-13T14:03:26Z)
• ShipNet: A Geometric Deep Learning Surrogate for Real-Time Ship Hydrodynamics [0.0]
  ShipNetは、船体表面圧力分布と遠距離自由表面波パターンの両方を、船体形状と速度から直接予測する幾何学的深層学習サロゲートである。 推論には1ケースあたり約0.15秒が必要で、従来のハードウェアの電位フローソルバと比較して550倍のスピードアップが得られる。
  論文  参考訳（メタデータ） (2026-06-13T15:38:24Z)
• A Novel Method with Encoder-Decoder for Cross-Sensor Adaptation in Surface Shape Sensing with Sparse Strain Sensors [12.931738829351433]
  本研究では,スパースひずみセンサに基づく表面形状センサのためのエンコーダデコーダアーキテクチャを提案する。 メタラーニングと少数ショット適応戦略を取り入れ、センサーアレイの異なるグループに適応できるようにする。 その結果, 表面形状センサのコストと訓練負担を大幅に低減できることがわかった。
  論文  参考訳（メタデータ） (2026-06-04T09:07:56Z)
• Geometry-Aware Neural Optimizer for Shape Optimization and Inversion [14.303592801147225]
  幾何学はPDEが支配するシステムの中心であり、形状最適化と反転を動機付けている。 textbftextscGANOは、幾何学表現、フィールドレベルの予測、および単一の潜在空間ループにおける自動最適化/反転を統一する。 textscGANOはヌルスペースプロジェクションによる部分的制御をサポートし、レメッシングフリープロジェクションを使用して幾何学処理を高速化する。
  論文  参考訳（メタデータ） (2026-05-06T03:51:22Z)
• How does ion temperature gradient turbulence depend on magnetic geometry? Insights from data and machine learning [3.5086936665880017]
  磁気幾何学は核融合プラズマにおける乱流輸送のレベルに大きな影響を及ぼす。 我々は、複数の機械学習手法と200,000以上の非線形シミュレーションのデータセットを用いて、この依存を分析した。 畳み込みニューラルネットワーク(CNN)や決定木を含む複数の回帰モデルは、熱流束に対して合理的な予測力を得ることができる。
  論文  参考訳（メタデータ） (2025-02-17T10:48:26Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• VI-Net: Boosting Category-level 6D Object Pose Estimation via Learning Decoupled Rotations on the Spherical Representations [55.25238503204253]
  作業を容易にするために,VI-Netと呼ばれる新しい回転推定ネットワークを提案する。 球面信号を処理するために、SPAtial Spherical Convolutionの新たな設計に基づいて、球面特徴ピラミッドネットワークを構築する。 ベンチマークデータセットの実験により,提案手法の有効性が確認された。
  論文  参考訳（メタデータ） (2023-08-19T05:47:53Z)
• Automatic Parameterization for Aerodynamic Shape Optimization via Deep Geometric Learning [60.69217130006758]
  空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。 どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。 2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
  論文  参考訳（メタデータ） (2023-05-03T13:45:40Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Information Entropy Initialized Concrete Autoencoder for Optimal Sensor Placement and Reconstruction of Geophysical Fields [58.720142291102135]
  そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。 本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。 得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
  論文  参考訳（メタデータ） (2022-06-28T12:43:38Z)
• A physics and data co-driven surrogate modeling approach for temperature field prediction on irregular geometric domain [12.264200001067797]
  本研究では, 温度場予測のための新しい物理・データ共駆動サロゲートモデリング法を提案する。 数値計算により,本手法はより小さなデータセット上での精度予測を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2022-03-15T08:43:24Z)
• MuSCLE: Multi Sweep Compression of LiDAR using Deep Entropy Models [78.93424358827528]
  本稿では,LiDARセンサデータのストレージストリームを削減するための新しい圧縮アルゴリズムを提案する。 本手法は,従来のLiDAR圧縮法よりも接合形状と強度を著しく低減する。
  論文  参考訳（メタデータ） (2020-11-15T17:41:14Z)

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。