論文の概要: Toward Reliable Railway-Bogie Response Prediction Using Multifidelity TDNN and Physics-Informed Residual Learning

• arxiv url: http://arxiv.org/abs/2609.12018v2
• Date: Mon, 14 Sep 2026 11:35:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.005256
• Title: Toward Reliable Railway-Bogie Response Prediction Using Multifidelity TDNN and Physics-Informed Residual Learning
• Title（参考訳）: 多要素TDNNと物理インフォームド残差学習を用いた信頼性鉄道車両応答予測に向けて
• Abstract要約: 鉄道技術者は、徹底的にテストできない運用シナリオにまたがる車両の応答を予測するシミュレーションモデルを必要としている。 本稿では,多体シミュレーション履歴を低忠実度情報として扱い,ローラーリグ測定を高忠実度証拠として扱う多忠実鉄道ボギー応答補正法を提案する。
• 参考スコア（独自算出の注目度）: 9.679297769625286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Railway engineers need simulation models that predict vehicle responses across operating scenarios that cannot be tested exhaustively. Agreement with representative measurements provides essential evidence, but calibration at a limited set of conditions does not guarantee accuracy elsewhere. We present a multifidelity railway-bogie response-correction method that treats multibody simulation histories as low-fidelity information and roller-rig measurements as high-fidelity evidence. This method combines an experiment-anchored fidelity assignment with physics-informed discrepancy learning for multichannel bogie-response histories. A time-delay neural network (TDNN) represents the condition-dependent simulation trend, and development-fitted amplitude alignment defines the low-fidelity baseline. A residual-correction network then models the reproducible response component not explained by this baseline and adds it to the baseline. An effective dynamic-balance equation constrains the learned discrepancy by representing differences in inertia, damping, stiffness, and external forcing between the simulated and physical systems. The training objective combines this constraint with residual matching, temporal smoothness, and a combined channel-2 acceleration loss selected using displacement-acceleration consistency evidence. For the evaluated reconstruction case, the corrected response gives a mean coefficient of determination of 0.8197, a mean normalized root-mean-square error (NRMSE) of 4.6055 %, and a mean normalized mean absolute error (NMAE) of 1.9297 %. These results provide initial evidence of accurate response prediction at the held-out 385 km/h condition.
• Abstract（参考訳）: 鉄道技術者は、徹底的にテストできない運用シナリオにまたがる車両の応答を予測するシミュレーションモデルを必要としている。 代表的な測定値との一致は重要な証拠となるが、限られた条件での校正は、他の場所での精度を保証するものではない。 本稿では,多体シミュレーション履歴を低忠実度情報として扱い,ローラーリグ測定を高忠実度証拠として扱う多忠実鉄道ボギー応答補正法を提案する。 本手法は,多チャンネルボギー応答履歴に対する物理インフォームド・ディレクジェンシー学習と実験アンコレート忠実度割り当てを組み合わせたものである。 時間遅延ニューラルネットワーク(TDNN)は、条件依存のシミュレーショントレンドを表し、開発に適合した振幅アライメントは、低忠実度ベースラインを定義する。 残差補正ネットワークは、このベースラインで説明されていない再現可能な応答成分をモデル化し、ベースラインに追加する。 効果的な動的バランス方程式は、シミュレーションシステムと物理システムの間の慣性、減衰、硬さ、外力の差を表すことによって、学習された相違を制約する。 トレーニング目的は, この制約を, 残留マッチング, 時間的滑らか性, および変位加速整合性エビデンスから選択したチャネル2加速度損失と組み合わせることである。 評価された再構成の場合、補正された応答は0.8197の平均係数、平均正規化根平均二乗誤差(NRMSE)は4.6055%、平均正規化平均絶対誤差(NMAE)は1.9297%となる。 これらの結果は, 385 km/h条件下での正確な応答予測の最初の証拠となる。

関連論文リスト

• Kastor: An efficient fine-tuning strategy for generative emulation of PDE simulations [14.561544063927228]
  本稿では,決定論的物理基礎モデルを高効率かつ高精度な生成サロゲートに適応するための包括的方法論を提案する。 まず,大規模な因果的自己回帰モデルと非因果的時間的超解像ネットワークを組み合わせた2段階推論手法を提案する。 第2に,Nullノイズ条件下での定性分布平均を予測するために生成モデルを制約する新たな学習目標である平均予測正則化(MPR)を提案する。
  論文  参考訳（メタデータ） (2026-08-06T14:41:11Z)
• CANN-EUCLID: unsupervised constitutive artificial neural network model discovery from full-field data [0.0]
  構成的人工ニューラルネットワーク(CANN)は、解釈可能な物質モデル発見を提供する。 CANNは、これまで、均質なテストから明らかなストレス-ストレインデータに基づいて、ストレス誘発設定に使われてきた。 ここでは, 応力非教師付きフルフィールド発見フレームワークであるEUCLIDとCANNを組み合わせて, スパース超弾性法則を同定する。
  論文  参考訳（メタデータ） (2026-06-12T15:44:06Z)
• Intervention-Based Time Series Causal Discovery via Simulator-Generated Interventional Distributions [2.0013177824602444]
  物理学に基づくシミュレータをPearlのdo演算子の機械的実現として扱う時系列因果発見のためのフレームワークを提案する。 シミュレータ内の変数を物理的に分離するパスをクランプし、建設による介入データを生成する。 サインフリップ座標は、シミュレータの精度がしきい値以下になると、推定因果効果が符号を反転させると予測する。
  論文  参考訳（メタデータ） (2026-05-11T01:54:58Z)
• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Uncertainty-Aware Adaptive Dynamics For Underwater Vehicle-Manipulator Robots [0.5161531917413708]
  本稿では,新しい不確実性を考慮した適応力学モデルフレームワークを提案する。 オンライン推定中に、凸的な物理的一貫性の制約を埋め込む。 4-DOFマニピュレータを搭載したBlueROV2ヘビーの実験は、急速に収束し、キャリブレーションされた予測を示す。
  論文  参考訳（メタデータ） (2026-03-06T18:35:48Z)
• Hybrid Model Predictive Control with Physics-Informed Neural Network for Satellite Attitude Control [2.7222301668137483]
  信頼性の高い宇宙船の姿勢制御は、姿勢力学の正確な予測に依存する。 複雑な力学を持つ宇宙船では、正確な物理モデルを得るのは難しい、時間を要する、あるいは計算的に重い。 本研究では、宇宙船の姿勢力学をモデル化するための物理情報ニューラルネットワーク(PINN)について検討する。
  論文  参考訳（メタデータ） (2026-02-17T19:08:48Z)
• Rethinking Physics-Informed Regression Beyond Training Loops and Bespoke Architectures [0.0]
  本稿では,既存サンプルの微分および曲率情報と同時に,予測点における状態を計算する手法を提案する。 各クエリは、ニューラルネットワークのようなグローバル関数近似器ベースのソリューションとは対照的に、事前または再トレーニングなしで、低計算コストで処理することができる。
  論文  参考訳（メタデータ） (2025-12-15T11:31:41Z)
• Hybrid Physics-ML Model for Forward Osmosis Flux with Complete Uncertainty Quantification [0.0]
  本稿では,ガウス過程回帰(GPR)を用いたロバストハイブリッド物理-MLフレームワークを提案する。 我々は、詳細な非線形FO物理モデル予測(Jw_physical)と実験水流束(Jw_actual)の間の残留誤差に基づいてGPRを訓練する。 120のデータポイントでトレーニングされたこのモデルは、最先端の平均絶対パーセンテージエラー(MAPE)を0.26%、独立したテストデータ上でR2を0.999で達成した。
  論文  参考訳（メタデータ） (2025-12-11T09:27:44Z)
• VIKING: Deep variational inference with stochastic projections [48.946143517489496]
  変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。 パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。 これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
  論文  参考訳（メタデータ） (2025-10-27T15:38:35Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
  パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。 深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。 本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-06T10:02:49Z)
• 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)
• Hybrid data-driven and physics-informed regularized learning of cyclic plasticity with Neural Networks [0.0]
  提案したモデルアーキテクチャは、既存の文献のソリューションに比べてシンプルで効率的である。 この手法の検証はアームストロング・フレデリックのキネマティック・ハードニング・モデルを用いて得られたサロゲートデータを用いて行う。
  論文  参考訳（メタデータ） (2024-03-04T07:09:54Z)
• Fast and Accurate Error Simulation for CNNs against Soft Errors [64.54260986994163]
  本稿では,誤りシミュレーションエンジンを用いて,コナールニューラルネットワーク(CNN)の信頼性解析のためのフレームワークを提案する。 これらの誤差モデルは、故障によって誘導されるCNN演算子の出力の破損パターンに基づいて定義される。 提案手法は,SASSIFIの欠陥効果の約99%の精度と,限定的なエラーモデルのみを実装した44倍から63倍までのスピードアップを実現する。
  論文  参考訳（メタデータ） (2022-06-04T19:45:02Z)

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。