Guided Wave Simulation
最終更新: 2026-03-11 (v3 モデル・DOE・FEM 概要図追加) Phase 4/5 準備: アクティブ SHM のための Abaqus/Explicit 動解析
PZT センサーによるガイド波（Lamb 波）伝播を Abaqus/Explicit でシミュレーション。 A₀ モード（屈曲波）の伝播・散乱を利用してデボンディング欠陥を検出する。
| 手法 | SHM 適合性 | データ価値 | 計算コスト | 学術インパクト |
|---|---|---|---|---|
| ガイド波（採用） | ◎ PZT実装可能 | ◎ 時系列+空間 | ○ 数分/ケース | ◎ 最先端テーマ |
| フェアリング分離動解析 | △ 既知事象 | ○ 動荷重応答 | × 大規模 | ○ |
| パラメータ | 値 |
|---|---|
| パネルサイズ | 300 × 300 mm |
| CFRP スキン | 1 mm × 2 (Inner + Outer), [45/0/-45/90]s |
| Al-HC コア | 38 mm, C3D8R (EXPLICIT) |
| 結合 | Tie 拘束 (Skin ↔ Core) |
| メッシュサイズ | 3.0 mm (≈ λ/8 at 50 kHz) |
| 要素数 | ~153,000 ノード, ~140,000 要素 |
| ソルバー | Abaqus/Explicit (mass scaling なし) |
| 解析時間 | 0.5 ms (500 μs) |
| 計算時間 | ~12 分/ケース (4 CPU, frontale04) |
| パラメータ | 値 |
|---|---|
| 波形 | Hanning 窓トーンバースト |
| 周波数 | 50 kHz |
| サイクル数 | 5 (T_burst = 100 μs) |
| 方向 | Z (面外, A₀ モード励起) |
| 位置 | パネル中心 (0, 0) |
| 力 | 1.0 N 集中荷重 |
A(t) = 0.5 × (1 - cos(2πt/T_burst)) × sin(2πft) (0 ≤ t ≤ T_burst)
A(t) = 0 (t > T_burst)
| パラメータ | 値 |
|---|---|
| 欠陥タイプ | デボンディング (Tie 除去) |
| 位置 | x = 80 mm, y = 0 mm |
| 半径 | 25 mm |
| 実装 | Outer Skin ↔ Core 間の Tie 拘束を欠陥ゾーンで除去 |
| センサー | X 位置 | 備考 |
|---|---|---|
| Sensor 0 | 0 mm | 励振点 |
| Sensor 1 | 30 mm | 欠陥ゾーン手前 |
| Sensor 2 | 60 mm | 欠陥境界付近 (55mm) |
| Sensor 3 | 90 mm | 欠陥ゾーン内 |
| Sensor 4 | 120 mm | 欠陥ゾーン外側 |
観測結果 (5センサー, v2):
- Sensor 0 (励振点): Healthy / Debond はほぼ同一
- Sensor 1 (x=30mm): 直接波は類似、後続の散乱波で微小な差異
- Sensor 2 (x=60mm): 欠陥境界付近で波形が変化し始める
- Sensor 3 (x=90mm): 欠陥ゾーン中心。最大の波形差異
- Sensor 4 (x=120mm): 欠陥透過後、反射波の影響で位相がずれる
Defect - Healthy の差分信号。Sensor 2-3 (欠陥ゾーン 55-105mm) で最大の散乱波。
| Healthy | Debonding |
|---|---|
 |
 |
赤: Hilbert エンベロープ、緑: ピーク時刻、橙: 初期到達 (5% 閾値)
上段: Healthy (同心円状の波面), 下段: Debonding (欠陥ゾーン付近で波面の乱れ) 緑破線円 = 欠陥ゾーン (x=80mm, r=25mm)
左: Healthy, 右: Debonding (緑破線 = 欠陥ゾーン)。 80フレーム (0 ~ 684 μs)。欠陥ゾーンで波面が散乱・反射する様子が確認可能。
他欠陥ケースの GIF 生成 (D2〜D5):
# 1. フィールド抽出 (ODB → _coords.csv, _frames.csv)
abaqus python scripts/extract_gw_field.py Job-GW-Healthy-v2.odb \
Job-GW-Debond-v2.odb Job-GW-D2-r15.odb Job-GW-D3-r40.odb \
Job-GW-D4-near.odb Job-GW-D5-edge.odb
# 2. 全ケースの比較 GIF を一括生成 (fps=20, dpi=120)
bash scripts/batch_gw_animation.sh
# 単一ケース・高品質
python scripts/plot_gw_animation.py abaqus_work/Job-GW-Healthy-v2 abaqus_work/Job-GW-D3-r40 \
-o wiki_repo/images/guided_wave/gw_wave_comparison_d3.gif --fps 25 --dpi 150 \
--defect 80,0,40ヒルベルト変換エンベロープ + 参照ベース法 (sensor 0 → 各センサーの初期到達時間)
| モデル | Method 3 平均 | Mindlin 理論 | 偏差 | 備考 |
|---|---|---|---|---|
| Healthy | 1089 m/s | ~1911 m/s | 29.7% | 0→1: 1067, 0→2: 1196 m/s |
| Debond | 1161 m/s | ~1911 m/s | 25.1% | 0→1: 1112, 0→2: 983, 0→3: 1085 m/s |
理論値について: Mindlin 厚板理論 (E_eff = 45.8 GPa for QI layup) の位相速度 ~1911 m/s。 FEM 測定値は 3D 効果・近接場・分散効果により ~57-60% に低下。物理的に妥当な範囲。
| ファイル | 実行環境 | 用途 |
|---|---|---|
src/generate_guided_wave.py |
Abaqus CAE | モデル生成 (Healthy + Defect) |
scripts/extract_gw_history.py |
Abaqus Python | センサー時刻歴抽出 |
scripts/extract_gw_field.py |
Abaqus Python | フィールド出力抽出 (アニメーション用) |
scripts/plot_gw_comparison.py |
Python (matplotlib) | 波形比較プロット |
scripts/plot_gw_animation.py |
Python (matplotlib) | 波面アニメーション GIF |
scripts/plot_gw_sweep.py |
Python (matplotlib) | 欠陥パラメータスイープ比較 |
scripts/plot_gw_curved_comparison.py |
Python (matplotlib) | 平板 vs 曲面比較 |
scripts/batch_gw_sweep.sh |
Bash | 欠陥スイープバッチ実行 |
scripts/batch_gw_freq_sweep.sh |
Bash | 周波数スイープバッチ実行 |
scripts/plot_gw_freq_noise.py |
Python (matplotlib) | 周波数スイープ + ノイズロバストネス解析 |
# モデル生成 (Healthy)
abaqus cae noGUI=src/generate_guided_wave.py -- --job Job-GW-Healthy --no_run
# モデル生成 (Debonding)
abaqus cae noGUI=src/generate_guided_wave.py -- --job Job-GW-Debond \
--defect '{"x_center":80,"y_center":0,"radius":25}' --no_run
# 時刻歴抽出
abaqus python scripts/extract_gw_history.py Job-GW-Healthy.odb Job-GW-Debond.odb
# フィールド出力抽出
abaqus python scripts/extract_gw_field.py Job-GW-Healthy.odb Job-GW-Debond.odb
# 波形プロット
python scripts/plot_gw_comparison.py abaqus_work/Job-GW-Healthy_sensors.csv \
abaqus_work/Job-GW-Debond_sensors.csv
# アニメーション生成
python scripts/plot_gw_animation.py abaqus_work/Job-GW-Healthy abaqus_work/Job-GW-Debond-
ExplicitDynamicsStep— プロジェクト初の Explicit 使用 -
elemLibrary=EXPLICIT(S4R, C3D8R) - Mass scaling なし — 波速歪み防止
- CFL: dt ≈ 3mm / 1e7 mm/s = 3e-7 s → ~1,700 ステップ
50 kHz の A₀ モード: λ ≈ 31 mm → h ≤ 3.9 mm → seed = 3.0 mm
Tie 拘束の選択的除去。欠陥ゾーンのフェース:
- Datum Plane で Outer Skin + Core を 4 面パーティション
- 欠陥内フェースを判定 (
_point_in_defect()) - 健全フェースのみ Tie 拘束 → 欠陥部は自由表面（デボンディング）
基準ケース (D1: r=25, x=80) に加え、欠陥サイズと位置を変化させた 4 ケースを実行。
| ケース | 半径 (mm) | 位置 x (mm) | 備考 |
|---|---|---|---|
| D1 (Debond-v2) | 25 | 80 | 基準ケース |
| D2 (r15) | 15 | 80 | 小さい欠陥 |
| D3 (r40) | 40 | 80 | 大きい欠陥 |
| D4 (near) | 25 | 40 | 励振点に近い |
| D5 (edge) | 25 | 120 | パネル端 |
DI = RMS(scattered) / RMS(incident) — 各センサーでの散乱波強度
| ケース | S0 | S1 | S2 | S3 | S4 | 平均DI |
|---|---|---|---|---|---|---|
| D4 (x=40, 近い) | 0.093 | 1.424 | 1.549 | 1.606 | 1.460 | 1.226 |
| D3 (r=40, 大) | 0.042 | 0.214 | 1.118 | 1.267 | 2.140 | 0.956 |
| D1 (r=25, 基準) | 0.037 | 0.170 | 1.287 | 1.814 | 1.366 | 0.935 |
| D2 (r=15, 小) | 0.061 | 0.179 | 0.295 | 1.134 | 1.611 | 0.656 |
| D5 (x=120, 端) | 0.023 | 0.078 | 0.157 | 0.424 | 1.088 | 0.354 |
考察:
- 位置依存性: 励振点に近い欠陥 (D4) ほど散乱が大きい (DI = 1.226 vs 0.354)
- サイズ依存性: r=15→25→40 で DI は 0.656→0.935→0.956（非線形的な飽和傾向）
- センサー依存性: 欠陥ゾーンに近いセンサー (S2-S3) で最大の DI
H3 フェアリングのバレル部（R=2600mm）をモデル化し、曲率がガイド波に与える影響を検証。
| パラメータ | 値 |
|---|---|
| 幾何 | 円筒セクタ (BaseShellRevolve / BaseSolidRevolve) |
| 半径 | 2600 mm (内スキン) |
| セクター角 | 7.17° (弧長 330 mm) |
| 高さ | 300 mm (軸方向) |
| サンドイッチ構成 | 平板と同一 (1/38/1 mm) |
| メッシュ | 177,760 ノード (平板比 17%増) |
| 計算時間 | ~12 分/ケース |
| 欠陥 | y=150, theta=3.6°, r=25 mm (弧距離~80mm) |
材料方位:
- コア: 円筒座標系 (CSYS-1=R, CSYS-2=θ, CSYS-3=Y)
- スキン: 直交座標系 (Y=軸方向, axis=AXIS_3 で法線に投影)
励振: 放射方向力（円筒座標系 cf1）— A₀ モード励起
センサー: 弧に沿って 0, 30, 60, 90, 120 mm 配置、U_r = U1·cos(θ) + U3·sin(θ) で放射方向変位を抽出
| センサー | S0 | S1 | S2 | S3 | S4 | 平均DI |
|---|---|---|---|---|---|---|
| 平板 | 0.037 | 0.170 | 1.287 | 1.814 | 1.366 | 0.935 |
| 曲面 (R=2600) | 0.446 | 1.048 | 1.361 | 1.138 | 0.749 | 0.948 |
考察:
- 平均 DI はほぼ同等 (0.935 vs 0.948) → 曲面でもデボンディング検出能力は維持
- 曲面は散乱が 均等に分散 — 曲率による波面の閉じ込め効果
- 平板は 欠陥通過後のセンサー (S3-S4) に集中 — 直進波の散乱
既存のセンサーデータにガウスノイズ（SNR = 40〜5 dB）を重畳し、検出限界を定量化。
- 既存 CSV データ（D1, D2, D4, D5）にモンテカルロ法（20 試行/点）でガウスノイズ注入
- SNR = signal RMS / noise RMS (dB)
- 閾値: DI = 0.2 を検出限界とする
| ケース | Clean | 40dB | 30dB | 25dB | 20dB | 15dB | 10dB | 5dB |
|---|---|---|---|---|---|---|---|---|
| D1 (r=25, x=80) | 0.935 | 0.935 | 0.940 | 0.948 | 0.967 | 1.003 | 1.066 | 1.166 |
| D2 (r=15, x=80) | 0.656 | 0.656 | 0.660 | 0.669 | 0.690 | 0.736 | 0.826 | 0.971 |
| D4 (r=25, x=40) | 1.226 | 1.226 | 1.228 | 1.232 | 1.241 | 1.258 | 1.288 | 1.333 |
| D5 (r=25, x=120) | 0.354 | 0.355 | 0.363 | 0.378 | 0.410 | 0.474 | 0.598 | 0.794 |
考察:
- 全ケースで SNR 5 dB まで DI > 0.2 → 検出閾値を大きく上回り、極めて堅牢
- ノイズ増加で DI は上昇（ノイズ RMS が散乱信号を底上げ）
- 最も困難なケース（D5: 端の欠陥）でも SNR 5dB で DI=0.794
- 実用含意: PZT の典型的 SNR は 20〜40 dB → 十分な検出マージン
25 / 50 / 75 / 100 kHz で健全 + D1欠陥（r=25mm, x=80mm）を各周波数で実行。
| パラメータ | 値 |
|---|---|
| 周波数 | 25, 50, 75, 100 kHz |
| ケース数 | 8（健全4 + D1欠陥4） |
| メッシュ調整 | λ/8 ルールで自動調整（高周波 → 細メッシュ） |
| 実行サーバー | frontale04 (4 CPU) |
| 総計算時間 | ~2.5 時間 |
| 周波数 | Mean DI | S0 | S1 | S2 | S3 | S4 |
|---|---|---|---|---|---|---|
| 25 kHz | 0.935 | 0.086 | 0.572 | 1.270 | 1.567 | 1.180 |
| 50 kHz | 0.935 | 0.037 | 0.170 | 1.287 | 1.814 | 1.366 |
| 75 kHz | 1.070 | 0.104 | 0.584 | 1.560 | 1.211 | 1.890 |
| 100 kHz | 1.257 | 0.087 | 0.998 | 1.303 | 1.775 | 2.123 |
- 全周波数で DI >> 0.2（検出閾値の 4.7〜6.3 倍）→ 周波数選択に関わらず検出可能
- 高周波数ほど DI 上昇: 100 kHz で最大（DI=1.257）、短波長が欠陥散乱に有利
- S0（加振点）は常に低 DI: 入射波が支配的で散乱成分が相対的に小さい
- S3-S4（欠陥直上〜遠方）で最大 DI: 欠陥位置 x=80mm に近い S3 が高感度
- 推奨検出帯域: 75〜100 kHz（DI > 1.0、十分なマージン）
H3 フェアリングの 30° バレルセクタ（z=500–2500 mm, R=2600 mm）でガイド波モデルを実行。 CZM によるデボンディング欠陥、10 センサ（クロス配置）、リングフレーム、開口部を含む。
| パラメータ | 値 |
|---|---|
| セクター角 | 30° (1/12 円周) |
| 軸方向 | z = 500–2500 mm |
| 半径 | 2600 mm (内スキン) |
| ノード数 | 約 63,000 |
| 解析時間 | 3.92 ms |
| 計算時間 | 約 47 分/ケース (4 CPU) |
| センサー | arc [mm] | DI |
|---|---|---|
| S0 | 0 | 1.462 |
| S1 | 30 | 1.173 |
| S2 | 90 | 1.209 |
| S3 | 120 | 1.189 |
| S4–S7 | 60 | 1.31–1.37 |
| S8 | 60 | 1.279 |
| 平均 | — | 1.299 |
考察:
- 全センサで DI > 1.0 → 散乱波 RMS が入射波 RMS を上回り、欠陥検出に十分
- 平板 D3 (r=40 mm) の Mean DI 0.956 より高く、フェアリング曲率下でも検出感度は維持
- クロス配置センサ（周方向 5 + 軸方向 5）により欠陥位置の空間分解が可能
1 つの Healthy センサ CSV から、ノイズ付加で N 個の健全バリアントを生成。クラス不均衡緩和と実測ノイズ（PZT SNR 30–40 dB）のシミュレーション。
python src/augment_gw_healthy.py \
--input abaqus_work/Job-GW-Fair-Healthy_sensors.csv \
--output abaqus_work/gw_fairing_dataset \
--n_healthy 100 --mult_std 0.02 --add_ratio 0.02詳細: docs/GW_360_DEGREE_BOUNDARY_VERIFICATION.md 参照（360° 境界検証も同 doc に記載）。
3D 可視化の改善 (visualize_gw_fairing_inp.py を再実行): サンプル数 3000、dpi 200、視点調整済み。
- ヒルベルト変換による群速度の正確な測定
- 複数欠陥パターン（サイズ・位置のバリエーション）
- 曲面（フェアリング形状）への拡張
- 30° フェアリングセクタ（CZM・リングフレーム・開口部）検証
- ノイズロバストネス検証（SNR 5dB まで検出可能を確認）
- 周波数スイープ（25〜100 kHz、全帯域で DI >> 0.2、推奨 75〜100 kHz）
- GNN 入力データとしての時系列特徴量設計（build_gw_graph: max_abs, rms, peak_time_norm）
- train_gw.py による graph-level 2 値分類（健全 vs 欠陥）
- v3 モデル（104 センサーグリッド）による高精度データ生成
- 24 次元 comprehensive 特徴量（ToF, Hilbert 包絡線, ウェーブレット等）
- v3 DOE 55 ジョブ（50 欠陥 + 5 健全）の FEM 実行
- Junction モデル設計・実装（バレル・ノーズコーン接合部 z=3500–6500mm）
- Junction Static 形状検証 → GW Explicit 検証
- Junction DOE 33 ジョブ（30 欠陥 + 3 健全）の FEM 実行
- FNO/DeepONet GW サロゲートによる大規模データ生成 (Phase 2)
- マルチフィデリティ学習 (平板→粗メッシュ→精密 FEM)
- サロゲート生成データ + FEM で GNN 本格学習 (Phase 3)
- 360° 全周モデル検証 (Phase 4)
- PZT ネットワークのトポロジ最適化
30° セクター（1/12）を 360° に展開した全体像。青いセクターが FEM 解析領域。 右上インセットにバレル部分の拡大（センサーグリッド 8×13 = 104 個、励振点、欠陥ゾーン）。
(a) サンドイッチ断面: CFRP [45/0/-45/90]s 積層 / Al-5052 ハニカムコア / CZM 界面 (b) セクター平面図: HVAC ドア開口 (φ400mm)、ベントホール (φ100mm)、リングフレーム 5 本、ABL 吸収境界層 (c) 材料物性: CFRP T1000G/Epoxy、Al-HC、CZM パラメータ、熱場・吸湿条件 (d) 7 種の欠陥タイプ: debonding, FOD, impact, delamination, inner debond, thermal progression, acoustic fatigue
50 欠陥サンプル + 5 健全サンプル。LHS 一様サンプリング。 サイズ: Small 20–40mm (30%), Medium 40–60mm (45%), Large 60–80mm (25%)。 7 種の欠陥タイプを確率的に混合。
| パラメータ | 値 |
|---|---|
| セクター角度 | 30° (1/12) |
| バレル範囲 | z = 500–2500 mm |
| 内径 | R = 2600 mm |
| スキン | CFRP 1.0 mm × 2, [45/0/-45/90]s |
| コア | Al-HC 38 mm |
| メッシュシード | 5.0 mm |
| センサー配置 | 8×13 = 104 グリッド |
| 励振 | 50 kHz, 5-cycle Hanning, セクター中心 |
| 開口部 | HVAC ドア φ400, ベント φ100 |
| フレーム | Al-7075 リングフレーム × 5 |
| CZM | Surface-based, BK 法 |
| ABL | 2° 幅、Rayleigh β 減衰 |
| 吸湿 | 2% → 弾性率 8% 低下 |
| 熱場 | 硬化 180°C → 外面 40°C / 内面 25°C |
| # | 特徴量 | 説明 |
|---|---|---|
| 1-3 | max_abs, rms, peak_time_norm | Baseline |
| 4-10 | mean, std, ptp, energy, zcr, dom_freq, spec_centroid | Extended |
| 11-15 | envelope_max, skewness, kurtosis, spec_bandwidth, rolloff | Full |
| 16-24 | tof_norm, vel_peak, vel_rms, crest, decay, wavelet_e(×4) | Comprehensive |
バレル部（円筒 R=2600mm）とノーズコーン（タンジェントオジャイブ）の接合部（z=3500–6500mm）は、 曲率の急変・ボルト接合フランジ・応力集中が共存するため、デボンディング欠陥が発生しやすい。 打ち上げ前地上検査として、接合部近傍の GW-SHM を別モデルで構築する。
z=3500 ┬─ Barrel section (cylinder R=2600)
│
z=5000 ├─ Junction flange (Al-7075 ring, 80mm height, 8mm thick)
│
z=6500 └─ Ogive section (tangent ogive, ρ = (R²+L²)/(2R))
- バレル部 (z=3500–5000): 円筒 R=2600mm、v3 バレルモデルと同一構造
- オジャイブ部 (z=5000–6500): タンジェントオジャイブ曲面、半径が z に応じて縮小
- 接合フランジ: z=5000mm に Al-7075 リング（ボルト接合部を代表）
| パラメータ | Junction モデル | v3 バレルモデル |
|---|---|---|
| セクター角度 | 30° (1/12) | 30° (1/12) |
| 軸方向範囲 | z = 3500–6500 mm | z = 500–2500 mm |
| 幾何形状 | 円筒 + オジャイブ | 円筒のみ |
| 接合フランジ | あり (Al-7075) | なし |
| メッシュシード | 7.5 mm | 5.0 mm |
| センサー数 | 40 | 104 (8×13 grid) |
| 推定要素数 | ~30K | ~65K |
| 推定 DOF | ~100K | ~250K |
| 推定計算時間 | ~1–2 h | ~7 h |
| 欠陥タイプ | 7 種 (同一) | 7 種 |
| CZM | Surface-based, BK | Surface-based, BK |
| ABL | 2° 幅 | 2° 幅 |
| 励振 | 50 kHz, 5-cycle | 50 kHz, 5-cycle |
40 個のセンサーを二重曲率面上に配置。オジャイブ部では _ogive_radius_at_z() で
各 z 位置の局所半径を取得し、正しい曲面座標にマッピングする。
| カテゴリ | サンプル数 | 備考 |
|---|---|---|
| 欠陥 (defective) | 30 | 7 種混合、LHS サンプリング |
| 健全 (healthy) | 3 | |
| 合計 | 33 |
欠陥タイプ内訳: debonding 5, FOD 5, impact 4, delamination 4, inner_debond 4, thermal_progression 4, acoustic_fatigue 4
サイズ分布: Small (20–40mm) 9, Medium (40–60mm) 13, Large (60–80mm) 8
接合部近傍: 30 サンプル中 11 個が |z − 5000| < 500mm（接合フランジ付近に集中）
doe_gw_junction.json
→ qsub_junction_batch.sh submit
→ qsub_junction_single.sh (per job)
→ generate_nosecone_junction.py (Abaqus CAE → INP)
→ Abaqus/Explicit solver
→ extract_gw_history.py (ODB → CSV)
→ junction_dataset/*.csv
→ build_gw_graph.py + train.py (GNN — センサー数自動検出)
| ファイル | 用途 |
|---|---|
src/generate_nosecone_junction.py |
Junction GW モデル生成 (Explicit) |
src/generate_nosecone_junction_static.py |
Junction Static モデル (形状検証用) |
doe_gw_junction.json |
DOE 定義 (30 defective + 3 healthy) |
scripts/qsub_junction_single.sh |
PBS 単一ジョブスクリプト |
scripts/qsub_junction_batch.sh |
バッチ投入・状態確認 |
FEM 単独では計算量的に不可能な 360° 全周フェアリング の GW-SHM を、 ML サロゲート（FNO/DeepONet）で FEM を近似することで実現する。
Phase 1: FEM Ground Truth (~88 jobs, ~450h)
├─ Barrel v3: 55 jobs (104 sensors, seed=5.0)
└─ Junction: 33 jobs (40 sensors, seed=7.5)
↓
Phase 2: FNO/DeepONet Surrogate (~数時間 GPU)
├─ 入力: 欠陥パラメータ (type, z, θ, radius)
├─ 出力: センサー波形 (N_sensors × T_steps)
└─ 学習データ: Phase 1 FEM + 回転対称性 (×12) = ~1,000 実効サンプル
↓
Phase 3: 大規模 GNN 学習
├─ サロゲート生成: 10,000+ 波形 (数分)
├─ FEM ground truth: ~88 波形
└─ GNN 検出器: graph-level 2 値分類
↓
Phase 4: 360° 全周検証
├─ 回転対称性でセクター → 全周拡張
└─ 非対称要素 (HVAC ドア等) は位置条件で分離
| Level | モデル | seed | 計算時間/job | 目的 |
|---|---|---|---|---|
| 0 | 分散曲線 (解析解) | — | 0 | Physics prior |
| 1 | 平板 GW | 3.0 mm | ~12 min | Pretrain (~200 jobs) |
| 2 | フェアリング粗 | 15.0 mm | ~15 min | 中精度 (~300 jobs) |
| 3 | フェアリング精密 (v3) | 5.0 mm | ~7 h | Ground truth (~55 jobs) |
Level 1-3 を Multi-Fidelity Neural Operator で統合学習。 Level 3 が 55 ケースでも、低フィデリティデータで補完し高精度を達成。
| ファイル | 用途 | 状態 |
|---|---|---|
src/models_fno_gw.py |
FNO1d + DeepONetGW (GW 波形用) | 実装済み |
src/train_fno_gw.py |
サロゲート学習スクリプト | 実装済み |
src/dataset_fno_gw.py |
GW CSV → Dataset 変換 | 実装済み |
src/models_fno.py |
FNO2d (応力場用, 参考) | 実装済み |
src/models_deeponet.py |
DeepONet コア実装 | 実装済み |
src/prototype_fno.py |
FNO 概念検証 (合成データ) | 実装済み |
src/prototype_deeponet.py |
DeepONet 概念検証 | 実装済み |
| 手法 | データ数 | 計算時間 | 備考 |
|---|---|---|---|
| FEM のみ (360°) | 88 × 12 = 1,056 | ~7,400 h | 非現実的 |
| FEM (30° sector) | 88 | ~450 h | Phase 1 (現計画) |
| FEM + Surrogate | 88 FEM + 10,000 生成 | ~450h + 数時間 GPU | 採用 |
"FEM-Surrogate-Accelerated GNN-SHM for Rocket Fairing Debonding Detection"
1. Introduction: GW-SHM for CFRP/HC sandwich, computational challenge
2. FEM Model: Abaqus/Explicit, CZM, 7 defect types, barrel + junction
3. Neural Operator Surrogate: FNO/DeepONet, multi-fidelity training
4. GNN Detector: graph-level classification, 24-dim features
5. Results: surrogate accuracy, GNN performance, 360° validation
6. Conclusion: 1000x computational speedup, practical SHM deployment