基于物理模拟器的神经网络在实时污垢层析成像中的应用

《ACM Transactions on Probabilistic Machine Learning》:Physical Simulator-Based Neural Networks for Real-Time Fouling Tomography

【字体: 大 中 小 】 时间:2026年03月30日 来源:ACM Transactions on Probabilistic Machine Learning

编辑推荐:

  本文提出基于超声Lamb波幅度变化的实时污垢分布估算方法,利用概率机器学习模型和合成数据训练神经网络,通过物理前向模型生成学习目标并嵌入先验知识,实验验证了在标准笔记本电脑上使用四个传感器即可快速生成高分辨率污垢地图,显著提升结构监控效率。

  
要查看此由AI生成的摘要,您必须具有高级访问权限。

摘要

摘要

我们提出了一种实时方法,通过分析超声波Lamb波的振幅变化,并结合概率机器学习模型,来估计封闭金属结构内部的污垢空间分布。该模型仅使用合成数据进行训练,无需任何标记的实证数据,而是利用超声波的简单物理特性。对于合成污垢分布,我们根据合适的先验分布(如高斯过程GP)来构建学习目标,这些目标通过物理正向模型来描述信号振幅沿由问题几何形状确定的传播路径的指数衰减。然后,我们学习一个神经网络来减少逆问题所需的昂贵GP推理成本。除了加速推理速度外,我们的方法还允许通过将合适的训练样本嵌入合成训练数据中,从而轻松利用更丰富的先验知识,例如对特定污垢形状或空间分布的预期。我们在模拟数据上评估了该方法的特征性能,并在真实的超声传感设置中验证了其性能。我们展示了如何在标准笔记本电脑上仅使用四个传感器,在几毫秒内准确估计出高分辨率的污垢分布图,这是结构监测领域的一项重大进展。

AI摘要

AI生成的摘要(实验结果)

此摘要是使用自动化工具生成的,未经过文章作者的撰写或审核。它旨在帮助发现、评估相关性,并协助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要,后者仍然是论文的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由AI生成的通俗语言摘要,您必须具有高级访问权限。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号