論文の概要: A Physics-informed Neural Network Approach for Robust Buckling Load Prediction and Reliability-Based Design of Thin Truncated Conical Shells

• arxiv url: http://arxiv.org/abs/2608.21818v1
• Date: Sat, 22 Aug 2026 07:35:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.479503
• Title: A Physics-informed Neural Network Approach for Robust Buckling Load Prediction and Reliability-Based Design of Thin Truncated Conical Shells
• Title（参考訳）: 物理インフォームドニューラルネットワークによる薄帯コニカルシェルのロバスト座屈荷重予測と信頼性に基づく設計
• Abstract要約: 薄い壁のある円錐形のシェルは、航空宇宙、海洋、オフショア、軽量のインフラシステムで広く使われている。 軸圧縮下での座屈抵抗は、幾何学的不完全性、製造耐久性、材料変動性、非線形不安定性の影響に非常に敏感である。 本研究では,薄い円錐殻の臨界座屈荷重を予測するための物理インフォームドニューラルネットワーク(PiNN)フレームワークを開発した。
• 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: Thin-walled truncated conical shells are widely used in aerospace, marine, offshore, and lightweight infrastructure systems due to their high strength-to-weight ratio and geometric efficiency. Their buckling resistance under axial compression, however, is highly sensitive to geometric imperfections, manufacturing tolerances, material variability, and nonlinear instability effects. Conventional design procedures rely on conservative knockdown factors (KDFs), such as those recommended in NASA SP-8019, which do not explicitly account for shell geometry, fabrication quality, data uncertainty, or target reliability. This study develops a physics-informed neural network (PiNN) framework for predicting critical buckling loads of thin truncated conical shells and integrates the trained surrogate within a reliability-based design (RBD) formulation. The model combines geometric and material descriptors with mechanics-informed features derived from shell stability theory and the localized reduced stiffness method (LRSM). A physics-informed loss function penalizes mechanically inadmissible predictions exceeding the theoretical elastic buckling load. The framework is trained and evaluated using 133 experimental Mylar conical shell tests under axial compression. Compared with a conventional deep neural network (DNN), the PiNN improves predictive accuracy, reduces mean absolute error, and enhances physical consistency. The trained PiNN is then used to evaluate reliability indices and calibrate safety-consistent KDFs for prescribed target reliability levels. Results demonstrate that the PiNN-RBD framework provides an efficient approach for uncertainty-aware design of imperfection-sensitive shell structures.
• Abstract（参考訳）: 薄肉の円錐形の貝殻は、高強度と重量比と幾何効率のため、航空宇宙、海洋、オフショア、軽量のインフラシステムで広く使用されている。 しかし, 軸圧縮時の座屈抵抗は, 幾何学的不完全性, 耐製造性, 材質変動性, 非線形不安定性の影響に非常に敏感である。 従来の設計手順は、NASA SP-8019で推奨されているような保守的なノックダウン要因(KDF)に依存しており、これはシェル形状、製造品質、データ不確実性、あるいは目標の信頼性を明示的に考慮していない。 本研究は,薄い円錐殻の臨界座屈荷重を予測する物理インフォームドニューラルネットワーク(PiNN)フレームワークを開発し,信頼性に基づく設計(RBD)の定式化に統合する。 このモデルは、幾何学的および材料的記述子と、シェル安定性理論と局所化還元剛性法(LRSM)から導かれる力学インフォームド特徴を組み合わせる。 物理インフォームド・ロス関数は、理論的弾性座屈荷重を超える機械的に許容できない予測をペナライズする。 このフレームワークは、軸圧縮下の133の実験的なマイラー円錐殻試験を用いて、訓練および評価を行う。 従来のディープニューラルネットワーク(DNN)と比較して、PiNNは予測精度を改善し、平均絶対誤差を低減し、物理的な一貫性を高める。 訓練されたPiNNは、所定の目標信頼性レベルに対して信頼性指標を評価し、安全性に優れたKDFを校正するために使用される。 その結果、PNN-RBDフレームワークは、不完全性に敏感なシェル構造の不確実性を考慮した設計に効率的なアプローチを提供することを示した。

関連論文リスト

• TIDE: Asymmetric Neural Circuits for Stabilized Temporal Inhibitory-Excitatory Dynamics [51.37317469455798]
  最近のContinuous Thought Machineアーキテクチャは、ニューラルダイナミクスを介して外部入力から内部計算を分離している。 非対称な興奮抑制(E-I)ネットワークを用いたニューラルダイナミクスのモデル化を提案する。 本稿では、神経力学を安定化させて内部表現を計算する、神経に触発されたアーキテクチャであるTIDE(Temporal Inhibitory-Excitatory Dynamic Engine)を紹介する。
  論文  参考訳（メタデータ） (2026-05-19T05:59:13Z)
• From Arithmetic to Logic: The Resilience of Logic and Lookup-Based Neural Networks Under Parameter Bit-Flips [0.6868507883617846]
  本研究では,ニューラルネットワークの構造特性としてのレジリエンスについて検討する。 その結果,低い精度,高い間隔,有界活性化,浅い深度が常に好まれていることが判明した。 論理ベースのアーキテクチャに特有の新しい偶数層リカバリ効果を同定する。
  論文  参考訳（メタデータ） (2026-03-24T03:53:04Z)
• Evidential Perfusion Physics-Informed Neural Networks with Residual Uncertainty Quantification [1.96119233299268]
  Evidential Perfusion Physics-Informed Neural Networks (EPPINN) を提案する。 EPPINNは、古典的なデコンボリューションやPINNベースラインよりも低い正規化平均絶対誤差を達成する。 臨床データでは、EPPINNは、最も高いボクセルレベルおよびケースレベルの梗塞コア検出感度を達成している。
  論文  参考訳（メタデータ） (2026-03-10T08:39:34Z)
• Developing Distance-Aware, and Evident Uncertainty Quantification in Dynamic Physics-Constrained Neural Networks for Robust Bearing Degradation Estimation [2.312232949770907]
  決定論的物理誘導ニューラルネットワークのための距離認識不確実性法を2つ導入する。 隠れ層にスペクトル正規化を適用し,入力から潜伏空間までの距離を保存する。 PronoSTIA, XJTU-SY, HUSTを用いた転がり軸受劣化試験を行った。
  論文  参考訳（メタデータ） (2025-12-09T11:30:41Z)
• Bayesian Physics Informed Neural Networks for Reliable Transformer Prognostics [1.53934570513443]
  本研究では,確率論的予測のためのベイズ物理学情報ニューラルネットワーク(B-PINN)フレームワークを提案する。 この枠組みは、太陽光発電プラントからの実測値を用いて開発され、試験された有限要素モデルに対して検証される。 その結果,提案したB-PINNは,予測の不確かさを正確に定量化することにより,より信頼性の高い予測を行うことを示した。
  論文  参考訳（メタデータ） (2025-09-19T12:39:15Z)
• LNN-PINN: A Unified Physics-Only Training Framework with Liquid Residual Blocks [1.6249267147413524]
  LNN-PINNは、液体残留ゲーティングアーキテクチャを組み込んだ物理インフォームドニューラルネットワークフレームワークである。 4つのベンチマーク問題の中で、LNN-PINNはRMSEとMAEを同一の訓練条件下で一貫して削減した。
  論文  参考訳（メタデータ） (2025-08-12T13:35:46Z)
• Tight Stability, Convergence, and Robustness Bounds for Predictive Coding Networks [60.3634789164648]
  予測符号化(PC)のようなエネルギーベースの学習アルゴリズムは、機械学習コミュニティにおいて大きな注目を集めている。 動的システム理論のレンズを用いて,PCの安定性,堅牢性,収束性を厳密に解析する。
  論文  参考訳（メタデータ） (2024-10-07T02:57:26Z)
• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• 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)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)
• Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
  小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。 我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
  論文  参考訳（メタデータ） (2021-02-23T20:59:30Z)

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。