論文の概要: Generative adversarial networks with Monte Carlo dropout uncertainty quantification for structural health monitoring: Fibre Bragg grating data augmentation comparison in Hawk T1A aircraft

• arxiv url: http://arxiv.org/abs/2610.22436v1
• Date: Thu, 15 Oct 2026 11:32:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.590131
• Title: Generative adversarial networks with Monte Carlo dropout uncertainty quantification for structural health monitoring: Fibre Bragg grating data augmentation comparison in Hawk T1A aircraft
• Title（参考訳）: 構造的健康モニタリングのためのモンテカルロドロップアウト不確実性の定量化のための生成的敵ネットワーク:Hawk T1A航空機におけるファイバーブラッグ格子データ拡張比較
• Abstract要約: このフレームワークは、BAE Systems Hawk T1Aの完全なベンチマークデータセットで検証されている。 このフレームワークは、データ駆動構造健康モニタリングのための堅牢なデジタルツインコンポーネントとして、現実的な生成励起モデリングプランを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The signal generation capabilities of a novel data augmentation framework are examined in aerospace structures. First, the framework learns class-conditional temporal and spectral characteristics of the measured structural responses. It uses conditional generative adversarial network training and Monte Carlo dropout uncertainty quantification as a Bayesian approximation. This step enables stochastic signal synthesis and uncertainty quantification. Second, the generated responses are rigorously compared against experimental measurements across time, frequency, uncertainty, variability, and feature domains to assess physical realism, statistical consistency, and distributional fidelity. Finally, the synthetic data are evaluated to determine whether they should be incorporated into a supervised damage classification workflow. The framework is validated on the full-scale benchmark dataset from a BAE Systems Hawk T1A aircraft tested at the University of Sheffield's Structural Dynamics Laboratory for Verification and Validation. The test involves acceleration, fibre Bragg grating strain, and nonlinear dynamic response measurements. The results demonstrate that the model accurately captures dominant structural dynamics, it guides on signal use for classification improvement based on uncertainty characteristics, and it provides meaningful uncertainty estimates linked to signal complexity and excitation characteristics. Importantly, the framework offers a realistic generative modelling plan as a robust digital twin component for data-driven structural health monitoring, supporting resilient decision-making for condition assessment in safety-critical aerospace systems.
• Abstract（参考訳）: 新たなデータ拡張フレームワークの信号生成能力を航空宇宙構造で検討した。 まず, 測定された構造応答の時間的・時間的特性とスペクトル特性を学習する。 条件付き生成逆ネットワークトレーニングとモンテカルロのドロップアウト不確実性定量化をベイズ近似として使用する。 このステップは確率的な信号合成と不確実性定量化を可能にする。 第二に、生成した応答は、時間、頻度、不確実性、可変性、特徴領域に対して厳密に比較され、物理的リアリズム、統計的一貫性、分布の忠実さを評価する。 最後に, 教師付き被害分類ワークフローに組み込むべきかを判定するために, 合成データを評価した。 このフレームワークは、シェフィールド大学のStructure Dynamics Laboratory for Verification and ValidationでテストされたBAE Systems Hawk T1Aの完全なベンチマークデータセットで検証されている。 この試験は加速、ファイバーブラッグ格子、非線形動的応答測定を含む。 その結果,本モデルは構造力学を正確に把握し,不確実性特性に基づく分類改善のための信号利用を導出し,信号複雑性と励起特性に関連付けられた有意義な不確実性推定を提供することがわかった。 重要なことは、このフレームワークは、データ駆動型構造的健康モニタリングのための堅牢なデジタルツインコンポーネントとして、現実的な生成モデルプランを提供し、安全クリティカルな航空宇宙システムにおける状態評価のためのレジリエントな意思決定をサポートすることである。

関連論文リスト

• K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
  K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。 提案手法はシミュレーションと実世界の応用を通して評価する。
  論文  参考訳（メタデータ） (2026-05-14T13:35:44Z)
• GNN for Structural Displacement Prediction [0.30586855806896046]
  本研究では,グラフニューラルネットワーク(GNN)に基づくデータ駆動型フレームワークを提案する。 提案モデルでは, シミュレーションデータから直接, 適用負荷と構造応答の関係を学習する。 その結果,提案したGNNフレームワークは高精度に変位と回転を予測し,NNモデルより優れていた。
  論文  参考訳（メタデータ） (2026-05-08T12:24:23Z)
• Causal Graph Profiling via Structural Divergence for Robust Anomaly Detection in Cyber-Physical Systems [25.567981742631005]
  公共インフラシステムにおける信頼性の高いサイバー攻撃検出のために設計された因果グラフに基づく異常検出フレームワーク。 CGADは、因果プロファイリングと異常スコアという2段階の監視フレームワークに従う。 因果構造を利用することで、CGADは非定常および不均衡な時系列環境において優れた適応性と精度を実現する。
  論文  参考訳（メタデータ） (2025-08-13T05:26:43Z)
• Physics-Informed Multimodal Bearing Fault Classification under Variable Operating Conditions using Transfer Learning [0.46085106405479537]
  本研究では,物理インフォームド・マルチモーダル畳み込みニューラルネットワーク (CNN) とレイトフュージョンアーキテクチャを提案する。 このモデルには、物理的に不可解な予測をペナルティ化する、新しい物理インフォームド・ロス関数が組み込まれている。 パーダーボーン大学のデータセットの実験では、提案された物理学的インフォームドアプローチが、非物理学的インフォームドベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-08-11T01:32:09Z)
• A Disentangled Representation Learning Framework for Low-altitude Network Coverage Prediction [42.71119573226285]
  低高度経済の拡大は、空路設計における低高度ネットワーク被覆(LANC)予測の重要性を浮き彫りにした。 専門知識に基づく特徴圧縮と非絡み合い表現学習を組み合わせた二重戦略を導入する。 実験により,本フレームワークの有効性が確認され,最高のベースラインアルゴリズムと比較して7%の誤差が減少した。
  論文  参考訳（メタデータ） (2025-07-13T05:31:35Z)
• NeuralSurv: Deep Survival Analysis with Bayesian Uncertainty Quantification [42.418429168532406]
  我々はベイズの不確実性定量化を取り入れた最初のディープサバイバルモデルであるNeuralSurvを紹介する。 モデルサイズを線形にスケールする座標アセット更新を用いた平均場変分アルゴリズムを導入する。 実験では、NeuralSurvは最先端のディープサバイバルモデルよりも優れたキャリブレーションを提供する。
  論文  参考訳（メタデータ） (2025-05-16T09:53:21Z)
• Quantifying Robustness: A Benchmarking Framework for Deep Learning Forecasting in Cyber-Physical Systems [44.61435605872856]
  我々は,産業用CPSに合わせて,分散ロバスト性に基づく実用的ロバスト性定義を導入する。 本フレームワークは,センサドリフト,ノイズ,不規則サンプリングなどの現実的な乱れをシミュレートし,予測モデルの徹底的なロバスト性解析を可能にする。
  論文  参考訳（メタデータ） (2025-04-04T14:50:48Z)
• 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)
• Online structural health monitoring by model order reduction and deep learning algorithms [0.17499351967216337]
  オンラインダメージローカリゼーションに向けたシミュレーションに基づく分類戦略を提案する。 提案手法は2次元ポータルフレームと3次元ポータルフレーム鉄道橋に関する2つのケーススタディによって検証されている。
  論文  参考訳（メタデータ） (2021-03-26T08:40:41Z)
• Fully convolutional networks for structural health monitoring through multivariate time series classification [0.0]
  構造健康モニタリング(SHM)への新たなアプローチを提案する。 広汎なセンサーシステムを通じて取得したデータから、損傷に敏感な特徴を自動的に識別することを目的としている。 損傷検出と局所化は分類問題として定式化され、FCN(Fully Convolutional Networks)を通して取り組まれる
  論文  参考訳（メタデータ） (2020-02-12T21:59:29Z)

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。