图像为导向的物理信息神经网络 (PINN) 用于意大利面桥负载预测
机器学习
2025-12-25 v4 计算机视觉与模式识别
摘要
物理信息神经网络 (PINN) 正日益受到关注，因为其能够将物理规律嵌入深度学习模型中，这在数据有限的结构工程任务中尤为有用。本文旨在探索 PINN 用于预测小比例意大利面桥的重量，这一任务与理解负载限制和潜在失效模式相关。我们提出的框架在预测模型中加入物理约束以提高性能。除了标准 PINN 外，我们还引入了一种新型架构，称为 Physics Informed Kolmogorov Arnold Network (PIKAN)，该架构将普适函数逼近理论与物理见解相结合。作为模型输入的结构参数要么通过人工收集，要么通过计算机视觉方法获取。我们的数据集包括 15 座真实桥梁，扩充为 100 个样本，我们的最佳模型获得 分数为 0.9603，平均绝对误差 (MAE) 为 10.50 单位。从应用角度，我们还提供了一个基于网页的用户界面，用于参数输入和预测。这些结果表明，PINN 即使在数据有限的情况下也能提供结构重量的可靠估计，并可能有助于轻型桥梁设计中的早期阶段失效分析。完整的数据和代码均可在 https://github.com/OmerJauhar/PINNS-For-Spaghetti-Bridges 上获得。
引用
@article{arxiv.2510.23117,
title = {Seeing Structural Failure Before it Happens: An Image-Based Physics-Informed Neural Network (PINN) for Spaghetti Bridge Load Prediction},
author = {Omer Jauhar Khan and Sudais Khan and Hafeez Anwar and Shahzeb Khan and Shams Ul Arifeen and Farman Ullah},
journal= {arXiv preprint arXiv:2510.23117},
year = {2025}
}
备注
14 pages, 21 figures. Preprint