Fugu-MT 論文翻訳(概要): SpectONet: A Physics-Guided Spectral Deep Operator Network for Euler-Bernoulli Beam Dynamics

論文の概要: SpectONet: A Physics-Guided Spectral Deep Operator Network for Euler-Bernoulli Beam Dynamics

arxiv url: http://arxiv.org/abs/2607.25790v1
Date: Tue, 28 Jul 2026 14:42:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-29 20:50:42.871789
Title: SpectONet: A Physics-Guided Spectral Deep Operator Network for Euler-Bernoulli Beam Dynamics
Title（参考訳）: SpectONet:Euler-Bernoulliビームダイナミクスのための物理誘導型スペクトル深部演算ネットワーク
Abstract要約: SpectONetは、Euler-Bernoulliビーム(EBB)の振動問題を解決するための物理誘導深部演算子ネットワークである。提案フレームワークは,DeepONetの演算子学習能力と物理インフォームド制約を統合する。 3つの合成ESB振動問題と実世界の橋梁振動データセットの数値実験により,提案手法の有効性が示された。
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: This paper proposes a novel physics-guided spectral deep operator network, termed SpectONet, for solving Euler-Bernoulli beam (EBB) vibration problems. The proposed framework integrates the operator-learning capability of DeepONet with physics-informed constraints and Chebyshev-Gauss-Lobatto (CGL) sensor placement. Unlike conventional DeepONet frameworks, which commonly employ uniformly distributed sensors, SpectONet uses nonuniform spectral sensor locations with a higher concentration of points near the domain boundaries. This sampling strategy improves the finite-dimensional representation of boundary-sensitive structural responses while requiring only a limited number of branch-network inputs. The governing beam equation, together with the associated initial and boundary conditions, incorporated into the training objective to promote physically consistent and generalizable predictions. Numerical experiments on three synthetic EBB vibration problems and a real-world bridge vibration dataset demonstrate the effectiveness of the proposed framework. Comparisons with strong baselines such as, Vanilla DeepONet, PI-DeepONet, PINN, and CNN-UNet show that SpectONet consistently achieves lower prediction errors across all considered evaluation metrics. In particular, SpectONet achieves at least \(64\%\) improvement over the considered baseline models across the three synthetic problems and at least \(37\%\) for the real-world problems. These results demonstrate that SpectONet provides an accurate, computationally efficient, and physically consistent operator-learning framework for structural vibration analysis.
Abstract（参考訳）: 本稿では、Euler-Bernoulliビーム(EBB)の振動問題を解決するために、SpectONetと呼ばれる物理誘導型スペクトル深部演算子ネットワークを提案する。提案フレームワークは,DeepONetの演算子学習機能と物理インフォームド制約とChebyshev-Gauss-Lobatto(CGL)センサ配置を統合した。通常は均一に分散したセンサーを使用する従来のDeepONetフレームワークとは異なり、SpectONetは領域境界付近で高い濃度の点を持つ均一でないスペクトルセンサー位置を使用する。このサンプリング戦略は、限られた数の分岐ネットワーク入力しか必要とせず、境界感応構造応答の有限次元表現を改善する。支配ビーム方程式は、関連する初期条件と境界条件とともに、物理的に一貫した一般化可能な予測を促進するために訓練目標に組み込まれた。 3つの合成ESB振動問題と実世界の橋梁振動データセットの数値実験により,提案手法の有効性が示された。 Vanilla DeepONet、PI-DeepONet、PINN、CNN-UNetといった強力なベースラインと比較すると、SpectONetは考慮されたすべての評価指標に対して、一貫して低い予測エラーを達成している。特に、SpectONetは、3つの合成問題に対して考慮されたベースラインモデルに対して少なくとも \(64\%\) の改善を達成し、実世界の問題に対して少なくとも \(37\%\) を達成する。これらの結果は、SpectONetが構造振動解析のための正確で、計算効率が高く、物理的に一貫した演算子学習フレームワークを提供することを示した。

関連論文リスト

Solving the Elastic Wave Equation with Physics-Informed Neural Networks: A Robust and Critical Assessment [0.42970700836450476]
偏微分方程式(PDE)の解法として物理情報ニューラルネットワーク(PINN)が誕生した。地震学における弾性波方程式の解法として, PINNを頑健かつ批判的に評価する。
論文参考訳（メタデータ） (2026-09-07T21:01:29Z)
From Points to Edges: Edge-Conditioned Spectral Operators for Physics-Sensitive PDE Learning [33.994566815083324]
エッジコンディションド・スペクトラル・オペレータ(ESO)は、局所的なエッジワイド変動を用いて、大域的なスペクトル混合を変調する。 ESOは9つのPDEベンチマークで常に最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2026-08-07T07:26:30Z)
Generalized Neural Operator for Parametric and Boundary-Value Problems [39.8019405552335]
現在のディープラーニングアプローチは、条件に依存しないデプロイメントと物理的忠実さの間の構造的なトレードオフに直面しています。本フレームワークは,PDEパラメータと境界条件を明示的に条件付けすることの理論的利点を実証する。
論文参考訳（メタデータ） (2026-07-24T03:10:32Z)
Physics-Guided Dual-Stream Heterogeneous Graph Neural Network for Predicting Full-Field Structural Response of Stiffened Panels [0.0]
大規模で複雑な構造の反復的な設計と最適化には、応力、変位、その他の分野の高速かつ正確な予測が必要である。既存のニューラルネットワークは、様々なトポロジや複雑な境界条件に悩まされることが多い。本研究では,薄肉構造物のフルフィールド応力と変位予測のための新しいDualStream Heterogeneous Graph Neural Network (DS-HGNN)を提案する。
論文参考訳（メタデータ） (2026-06-18T20:12:18Z)
Generalization Bounds for Physics-Informed Neural Networks for the Incompressible Navier-Stokes Equations [42.57657519369106]
この研究は、ナヴィエ・ストークス方程式の解を近似する方法の一般化誤差に基づいて、厳密な上界を確立する。我々は、教師なし物理情報ニューラルネットワークフレームワークを用いて、深度2のニューラルネットワークを訓練した。提案する活性化関数と対応する境界を,Taylor-Green vortexベンチマークを解くPINNセットアップ上で実証検証する。
論文参考訳（メタデータ） (2026-03-24T11:08:34Z)
Data-Driven Deep MIMO Detection:Network Architectures and Generalization Analysis [50.20709408241935]
本稿では,ネットワーク・オブ・MLPにおける完全データ駆動型DeepSIC検出の検証を提案する。このようなアーキテクチャでは、グラフニューラルネットワーク(GNN)を使用したグラフベースのメッセージパッシングプロセスとして、DeepSICをアップグレードすることができる。 GNNSICは、訓練可能なパラメータが大幅に少ないDeepSICに匹敵する優れた表現性を達成する。
論文参考訳（メタデータ） (2026-02-13T04:38:51Z)
Spectral Embedding via Chebyshev Bases for Robust DeepONet Approximation [0.6752538702870791]
SpectralEmbeded DeepONet (SEDNet) は、トランクが座標入力ではなく、固定されたチェビシェフスペクトル辞書によって駆動される新しい変種である。 SEDNetは一貫して、DeepONet、FEDONet、SEDONetの間で最も低い相対的なL2エラーを達成しており、ベースラインのDeepONetよりも平均30～40%改善されている。
論文参考訳（メタデータ） (2025-12-09T22:26:29Z)
FEDONet : Fourier-Embedded DeepONet for Spectrally Accurate Operator Learning [0.21847754147782886]
DeepONetsは非線形演算子を学習するための強力なデータ駆動フレームワークとして登場した。 FEDONetは従来のDeepONetよりも優れたパフォーマンスを示している。 FEDONetは、すべてのベンチマークPDEに対して一貫して優れた再構築精度を提供する。
論文参考訳（メタデータ） (2025-09-15T18:13:28Z)
Reconfigurable Intelligent Surface (RIS)-Assisted Entanglement Distribution in FSO Quantum Networks [62.87033427172205]
自由空間光(FSO)量子チャネルに依存する量子ネットワーク(QN)は、光ファイバー基盤の確立が困難でコストがかかる環境における量子アプリケーションをサポートすることができる。エンタングルメント分布のための仮想視線を提供する費用効率の高いフレームワークとして,再構成可能なインテリジェントサーフェス(RIS)を用いたFSOベースのQNを提案する。
論文参考訳（メタデータ） (2024-01-19T17:16:40Z)
Monocular Depth Estimation Primed by Salient Point Detection and Normalized Hessian Loss [43.950140695759764]
本稿では,単眼深度推定のための高精度で軽量なフレームワークを提案する。深度方向のスケーリングとせん断に不変な正規化ヘッセン損失項を導入し,精度を著しく向上させることを示した。提案手法は,NYU-Depth-v2 と KITTI の3.1-38.4 倍小さいモデルを用いて,ベースライン手法よりもパラメータ数が多い場合の最先端結果を実現する。
論文参考訳（メタデータ） (2021-08-25T07:51:09Z)
Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-11-08T12:48:06Z)
DessiLBI: Exploring Structural Sparsity of Deep Networks via Differential Inclusion Paths [45.947140164621096]
逆スケール空間の差分包摂に基づく新しい手法を提案する。 DessiLBIが早期に「優勝チケット」を発表することを示す。
論文参考訳（メタデータ） (2020-07-04T04:40:16Z)
Dataless Model Selection with the Deep Frame Potential [45.16941644841897]
ネットワークをその固有の能力で定量化し、ユニークでロバストな表現を行う。本稿では,表現安定性にほぼ関係するが,ネットワーク構造にのみ依存する最小限のコヒーレンス尺度であるディープフレームポテンシャルを提案する。モデル選択の基準としての利用を検証するとともに,ネットワークアーキテクチャの多種多様な残差および密結合化について,一般化誤差との相関性を示す。
論文参考訳（メタデータ） (2020-03-30T23:27:25Z)

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。