-
Notifications
You must be signed in to change notification settings - Fork 0
Static Dynamic Fusion Ranking
Wiki Sync edited this page Mar 6, 2026
·
3 revisions
← Home | Dataset-Static-vs-Dynamic | 2-Year-Goals | 関連文献
目標: 実運用（打上前品質管理・打上中モニタリング）
評価軸: データ量・実現可能性・効果・実運用適合度
文献: 類似研究の調査結果は Static-Dynamic-Fusion-Literature を参照
最終更新: 2026-03-06
実運用上の前提: 打上中にリアルタイムで欠陥を検出しても、その場での修理・打ち上げ中止はほぼ不可能であり、手遅れになりがち。SHM の本質的価値は「打上前」 — 地上試験・カウントダウン中の GW 計測で欠陥を検出し、打ち上げ可否の判断に活かすこと。打上中の監視は事故解析に有用だが、介入可能な判断としては補助的。
| 軸 | 内容 | 満点 |
|---|---|---|
| データ量 | 必要サンプル数・既存データ活用度・生成コスト | 25 |
| 実現可能性 | 実装難易度・既存パイプラインとの整合・期間 | 25 |
| 効果 | 検出精度向上・ロバスト性・物理的妥当性 | 25 |
| 実運用適合 | リアルタイム性・JAXA要件・CBM適用 | 25 |
| 合計 | 100 |
| 方式 | 概要 |
|---|---|
| A. 後段融合 (Late Fusion) | 静解析 GNN の P(defect) と動解析 GW-GNN の P(defect) を統合（平均・重み付き・閾値） |
| B. 前段融合 (Early Fusion) | 静解析ノード特徴（応力・変位）と動解析センサ特徴を結合し、1 つのグラフで学習 |
| C. 逐次利用 (Sequential) | 静解析で設計・検証、動解析で運用時モニタリング（役割分離） |
| D. DANN (Domain Adaptation) | 静解析 or シミュ GW をソース、実 GW をターゲットにドメイン適応 |
| E. マルチモーダル GNN | 静解析グラフ + 動解析センサグラフを双流で入力し、共通埋め込みで融合 |
| 方式 | データ量 | 実現可能性 | 効果 | 実運用適合 | 合計 | 順位 |
|---|---|---|---|---|---|---|
| A. 後段融合 | 22 | 24 | 20 | 23 | 89 | 1 |
| C. 逐次利用 | 23 | 25 | 18 | 21 | 87 | 2 |
| D. DANN | 18 | 20 | 23 | 24 | 85 | 3 |
| E. マルチモーダル GNN | 15 | 16 | 24 | 22 | 77 | 4 |
| B. 前段融合 | 14 | 15 | 22 | 19 | 70 | 5 |
※目標は高め（実運用）。スコアは相対評価。
| 順位 | 方式 | 推奨理由 |
|---|---|---|
| 1 | A. 後段融合 | 既存モデルをそのまま活用。静解析 GNN (S12 CZM) + 動解析 GW-GNN の出力を統合。データ追加は各モダリティ単体で済む。実装が軽く、Year 1 内で検証可能。文献: Broer et al. (2021) の AE+光ファイバ融合、橋梁 IE+USW で F1=0.83 等、結果レベル融合の実績あり。 |
| 2 | C. 逐次利用 | 役割が明確で実装が最も簡単。静解析＝設計・製造品質、動解析＝運用モニタリング。融合ではないが、実運用では現実的な第一歩。即時適用可能。 |
| 3 | D. DANN | Sim-to-Real の本命。JAXA/PSS 実データへの適応が必須。Year 2 の柱。効果・実運用適合が高いが、実データ取得とラベリングに依存。文献: Zhang et al. (2022) JDA で GW 転移、Exeter の TCA/JDA で FEM→実データ、ICAS で GW 転移 85.7% 等。 |
| 4 | E. マルチモーダル GNN | 効果は高いが、同一サンプルで静+動のペアデータが必要。現状は静解析と動解析が別ジョブ・別メッシュで、ペアリングが困難。将来の高度化向け。 |
| 5 | B. 前段融合 | グラフ構造が異なる（静: 15K ノード、動: 10 センサ）。結合には空間対応付けが必須で、実装負荷が大きい。効果はあるが優先度は低め。 |
| 項目 | 評価 |
|---|---|
| データ量 | 静解析: 既存 200+ サンプル。動解析: 101 サンプル生成後。ペア不要。各モダリティ単体で学習可能。 |
| 実現可能性 | 既存 train.py (静) + train_gw.py (動) を個別学習。推論時に P_static, P_dynamic を統合。重み・閾値は val で最適化。2–3 週間でプロトタイプ可能。 |
| 効果 | 静解析は応力集中、動解析は散乱パターンを捉える。相補的で、単体より F1 向上が期待。アンサンブル効果。Broer らは AE+光ファイバで 4 段階診断を達成。橋梁 IE+USW 融合で F1=0.83。 |
| 実運用適合 | 打上前: 静解析で製造品質スクリーニング。打上前の GW 計測で欠陥検出 → 打ち上げ可否判断。打上中の検出は手遅れになりがちなため、本質的価値は打上前にある。 |
統合式（案）:
P_final = α・P_static + (1-α)・P_dynamic
# α は運用フェーズで切替: 打上前 α=0.7, 打上中 α=0.3
# または recall 重視で閾値別最適化
| 項目 | 評価 |
|---|---|
| データ量 | ソース: 静解析 1,000+ または シミュ GW 101+。ターゲット: JAXA/PSS 実計測（数十〜数百サンプル想定）。実データ取得がボトルネック。 |
| 実現可能性 | prototype_dann.py あり。GW 用に拡張が必要。Year 2 Q2 目標。実データとの対応付け（センサ位置・欠陥ラベル）が課題。 |
| 効果 | Sim-to-Real の本命。実運用では FEM のみでは不十分。実計測への適応で 精度劣化 < 10% が目標。Zhang et al. (2022) の JDA、Exeter の TCA/JDA で FEM→実データ転移の実績。ICAS で GW 転移 85.7%。 |
| 実運用適合 | 実機・試験体での検証が必須。CBM (Condition-Based Maintenance) 適用の前提。 |
| 項目 | 評価 |
|---|---|
| データ量 | 各モダリティ単体。既存データで十分。 |
| 実現可能性 | 融合なし。最も簡単。即時適用可能。 |
| 効果 | 融合効果はないが、役割分担で全体の信頼性向上。静解析で「設計上問題なし」、動解析で「運用中異常なし」の二重チェック。 |
| 実運用適合 | 打上前: 静解析 GNN でスクリーニング。打上前の GW 計測で欠陥検出 → 打ち上げ可否判断。打上中検出は手遅れになりがち。 |
| 項目 | 評価 |
|---|---|
| データ量 | 同一サンプルで静+動のペアが必要。現状、静解析 (S12 CZM) と動解析 (GW Fair) は別ジョブ・別メッシュ。ペアリングには同一ジオメトリでの両解析が必要。500+ ペアが理想。 |
| 実現可能性 | 新規アーキテクチャ。双流 GNN + 共通 readout。ペアデータ生成パイプラインの設計が大変。3–6 ヶ月。 |
| 効果 | 構造と波動の相互作用を直接学習。理論上は最高効果。 |
| 実運用適合 | 推論時に両モダリティが必要。打上中は動解析のみの可能性もあり、運用設計に依存。 |
| 項目 | 評価 |
|---|---|
| データ量 | ペアデータ必須。さらに、静解析メッシュのノードと動解析センサの空間対応が必要。センサ位置に最も近いノードを特定する処理が要る。 |
| 実現可能性 | グラフ構造が根本的に異なる（15K ノード vs 10 ノード）。結合方法の設計が複雑。6 ヶ月以上。 |
| 効果 | ノードレベルで静+動を結合すれば理論上は有効。ただし実装難易度が高く、効果の検証も困難。 |
| 実運用適合 | 推論時に両方必要。計算コストも増。 |
| フェーズ | 内容 | 時期 |
|---|---|---|
| Phase 1 | 動解析 GW-GNN 単体の train_gw.py 実装・学習 | 直近 |
| Phase 2 | 後段融合プロトタイプ: 静 + 動の P 統合、閾値最適化 | Year 1 Q3 |
| Phase 3 | 逐次利用の運用設計: 打上前 vs 打上中の判定フロー | Year 1 Q4 |
| Phase 4 | DANN 実装: シミュ GW → 実 GW 適応 | Year 2 Q1–Q2 |
| Phase 5 | マルチモーダル GNN（ペアデータ整備後） | Year 2 Q3 以降 |
| 文献の示唆 | 本計画への反映 |
|---|---|
| Broer ら: Feature-level + Result-level 融合で 4 段階診断 | 後段融合を第1位に。結果レベル融合を採用。 |
| Zhang ら: JDA で GW 転移 | DANN の代替として JDA を検討可能。 |
| 橋梁 IE+USW: F1=0.83 | 異種モダリティ融合の定量的目標の参考。 |
| MDPI: GNN で AUC 0.97, 3% 位置誤差 | 動解析 GW-GNN の性能目標。 |
| Frontiers: GAT + FEM で F1=61% | 静解析 GNN の 3 クラス位置同定の参考。 |
| ページ | 内容 |
|---|---|
| 静動融合関連文献 | 類似研究の調査・文献一覧 |
| Dataset-Static-vs-Dynamic | 静解析・動解析の評価分離 |
| GW-GNN-Pipeline-Design | 動解析パイプライン設計 |
| 2-Year-Goals | 2年研究計画 |
| Two-Stage-Screening | FNO + GNN 2段階（静解析内） |