論文の概要: Modelling non-linear aeroelastic loads in long-span bridges with extreme learning machines

• arxiv url: http://arxiv.org/abs/2609.33274v1
• Date: Sun, 27 Sep 2026 06:28:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 01:36:41.44614
• Title: Modelling non-linear aeroelastic loads in long-span bridges with extreme learning machines
• Title（参考訳）: 極端学習機械を用いた長大橋における非線形空気弾性荷重のモデル化
• Abstract要約: 本稿では,極端学習機械(ELM)を用いた橋脚断面における空力自励力のモデル化手法を提案する。 ELMは単層フィードフォワードニューラルネットワークとして、効率的なトレーニングと正確な予測を提供する。 提案手法は長大橋における空気弾性負荷モデリングのための信頼性の高いデータ駆動手法を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate modelling of aerodynamic loads is essential for predicting instabilities and ensuring the safety of long-span bridges. A methodology is introduced for modelling aerodynamic self-excited forces in bridge-deck cross-sections using extreme learning machines (ELMs). ELMs, as single-layer feedforward neural networks, offer efficient training and accurate predictions. Forced-oscillation datasets from computational fluid dynamics (CFD) or wind-tunnel experiments are used for training, enabling systematic data selection to capture non-linear aerodynamic behaviour often missed by semi-analytical approaches. Once trained, the model predicts self-excited loads for any arbitrary motion composed by frequencies and amplitudes within the training domain. Comparisons with analytical, semi-analytical, and CFD results show superior accuracy in capturing non-linear force components and close agreement for aerodynamic loads and flutter wind speeds. Training required about 1.1\% of the time of a conventional neural network, and coupled flutter analysis runs in seconds, providing orders-of-magnitude speed-ups over CFD. These results indicate that ELM-based frameworks are accurate, practical, and efficient alternatives for modelling self-excited loads, particularly when preliminary CFD or wind-tunnel data are available. The presented approach offers a reliable data-driven technique for aeroelastic load modelling in long-span bridges.
• Abstract（参考訳）: 空力荷重の正確なモデリングは、不安定性の予測と長距離橋の安全性確保に不可欠である。 極端学習機械(ELM)を用いた橋脚断面における空力自励力のモデル化手法を提案する。 ELMは単層フィードフォワードニューラルネットワークとして、効率的なトレーニングと正確な予測を提供する。 計算流体力学(CFD)や風洞実験による強制振動データセットをトレーニングに使用することにより、系統的なデータ選択により、半解析的なアプローチでしばしば見逃される非線形空気力学の挙動を捉えることができる。 トレーニングが完了すると、トレーニング領域内の周波数と振幅によって構成される任意の動きに対して、自励負荷を予測する。 解析的, 半解析的, CFD的な結果と比較すると, 非線形力成分の捕捉精度が向上し, 空気力学的荷重とフラッター風速の密接な一致が得られた。 トレーニングには従来のニューラルネットワークの1.1\%の時間が必要で、結合されたフラッター分析は数秒で実行され、CFD上でのオーダー・オブ・マグニチュード・スピードアップを提供する。 これらの結果から,ERMベースのフレームワークは,特に予備的なCFDデータや風洞データが存在する場合,自己励磁負荷をモデル化するための正確で実用的で効率的な代替手段であることが示唆された。 提案手法は長大橋における空気弾性負荷モデリングのための信頼性の高いデータ駆動手法を提供する。

関連論文リスト

• A Residual Learning Approach for Unsteady Aerodynamic Load Prediction [0.0]
  本研究では, 残留学習による非定常空力負荷予測の実現可能性について検討した。 高忠実性CFDリフトデータを用いて,NLR 7301 の翼面評価を行った。 残差モデルは、入力がワグナーの定式化変数と整合するときに最もよく機能する。
  論文  参考訳（メタデータ） (2026-08-18T15:26:55Z)
• PI-WAN: A Physics-Informed Wind-Adaptive Network for Quadrotor Dynamics Prediction in Unknown Environments [3.4802474792943805]
  本研究では, 物理インフォームド・ウィンド・アダプティブ・ネットワーク (PI-WAN) を導入する。 具体的には、PI-WANは時間的畳み込みネットワーク(TCN)アーキテクチャを採用し、歴史的飛行データから時間的依存関係を効率的にキャプチャする。 実時間予測結果をモデル予測制御(MPC)フレームワークに組み込むことで,クローズドループ追跡性能の向上を実現する。
  論文  参考訳（メタデータ） (2025-07-01T14:48:22Z)
• Fine-Tuning Hybrid Physics-Informed Neural Networks for Vehicle Dynamics Model Estimation [2.432448600920501]
  本稿では、教師付きおよび教師なしの物理インフォームドニューラルネットワーク(PINN)を統合したFTHD法を提案する。 FTHDは、より小さなトレーニングデータセットを使用して、事前トレーニングされたDeep Dynamics Model(DDM)を微調整する。 拡張カルマンフィルタ(EKF)はFTHD内に埋め込まれ、ノイズの多い実世界のデータを効果的に管理し、正確な騒音を確実にする。 その結果, パラメータ推定精度は従来のモデルより大幅に向上し, 既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-09-29T10:33:07Z)
• Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
  データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。 我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。 高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:32Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Airfoil's Aerodynamic Coefficients Prediction using Artificial Neural Network [0.0]
  右翼を見つけることは、あらゆる航空機の設計の予備段階における重要なステップである。 本研究では、異なるネットワークアーキテクチャとトレーニングデータセットを比較し、ネットワークが与えられた翼のジオメトリをどのように知覚するかについての洞察を得る。
  論文  参考訳（メタデータ） (2021-09-24T19:07:19Z)
• Data-driven Aerodynamic Analysis of Structures using Gaussian Processes [0.0]
  本稿では,橋梁に作用する非線形自励力のデータ駆動モデルを提案する。 このフレームワークは、CFD(Computational Fluid Dynamics)データに基づいて、合理化およびブラフブリッジデッキに適用される。 提案フレームワークのさらなる応用は,細線状構造物の設計とオンラインリアルタイム監視に期待できる。
  論文  参考訳（メタデータ） (2021-03-20T11:22:24Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)

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。