論文の概要: A Review of Vibration-Based Damage Detection in Civil Structures: From
Traditional Methods to Machine Learning and Deep Learning Applications
- arxiv url: http://arxiv.org/abs/2004.04373v1
- Date: Thu, 9 Apr 2020 05:39:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 02:28:53.871676
- Title: A Review of Vibration-Based Damage Detection in Civil Structures: From
Traditional Methods to Machine Learning and Deep Learning Applications
- Title(参考訳): 土木構造物の振動による損傷検出の概観:従来の手法から機械学習・深層学習への応用へ
- Authors: Onur Avci, Osama Abdeljaber, Serkan Kiranyaz, Mohammed Hussein, Moncef
Gabbouj, Daniel J. Inman
- Abstract要約: 構造物の寿命維持と維持には, 構造物の損傷モニタリングが極めて重要である。
機械学習(ML)や、特にディープラーニング(DL)アルゴリズムは、過去10年間のコンピューティングパワーとセンサー技術の発展に伴い、振動に基づく構造的損傷検出において、より実現可能で広範囲に使用されている。
本稿では,従来の手法のハイライトと,振動による土木構造物の損傷検出に利用したMLおよびDLアルゴリズムの最近の応用を概観する。
- 参考スコア(独自算出の注目度): 20.47375627883094
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Monitoring structural damage is extremely important for sustaining and
preserving the service life of civil structures. While successful monitoring
provides resolute and staunch information on the health, serviceability,
integrity and safety of structures; maintaining continuous performance of a
structure depends highly on monitoring the occurrence, formation and
propagation of damage. Damage may accumulate on structures due to different
environmental and human-induced factors. Numerous monitoring and detection
approaches have been developed to provide practical means for early warning
against structural damage or any type of anomaly. Considerable effort has been
put into vibration-based methods, which utilize the vibration response of the
monitored structure to assess its condition and identify structural damage.
Meanwhile, with emerging computing power and sensing technology in the last
decade, Machine Learning (ML) and especially Deep Learning (DL) algorithms have
become more feasible and extensively used in vibration-based structural damage
detection with elegant performance and often with rigorous accuracy. While
there have been multiple review studies published on vibration-based structural
damage detection, there has not been a study where the transition from
traditional methods to ML and DL methods are described and discussed. This
paper aims to fulfill this gap by presenting the highlights of the traditional
methods and provide a comprehensive review of the most recent applications of
ML and DL algorithms utilized for vibration-based structural damage detection
in civil structures.
- Abstract(参考訳): 構造物の寿命維持と維持には, 構造物の損傷モニタリングが極めて重要である。
モニタリングが成功すると、健康、サービス性、整合性、構造物の安全性などの情報が得られるが、構造物の継続的な性能維持は損傷の発生、発生、伝播の監視に大きく依存する。
環境や人為的な要因の異なる構造に損傷が蓄積することがある。
多くのモニタリングと検出手法が開発され、構造的損傷やあらゆる種類の異常に対して早期に警告する実用的な手段を提供している。
観測された構造物の振動応答を利用して、その状態を評価し、構造物の損傷を識別する振動に基づく手法が検討されている。
一方、近年のコンピューティングパワーとセンシング技術により、機械学習(ML)や特にディープラーニング(DL)アルゴリズムは、エレガントなパフォーマンスと厳密な精度を備えた振動に基づく構造的損傷検出において、より実現可能で広範囲に使用されている。
振動による構造損傷検出に関する複数のレビュー研究が報告されているが、従来の手法からMLおよびDL手法への移行について記述し議論する研究は行われていない。
本稿では,従来の手法のハイライトを提示することにより,このギャップを埋めることを目的としており,振動による土木構造物の構造損傷検出に利用したMLおよびDLアルゴリズムの最近の応用を包括的にレビューする。
関連論文リスト
- CNN-Based Structural Damage Detection using Time-Series Sensor Data [0.0]
本研究では,新しいコナールニューラルネットワーク(CNN)アルゴリズムを用いて,構造損傷検出の革新的なアプローチを提案する。
時系列データは、提案したニューラルネットワークを用いて2つのカテゴリに分けられる。
その結果,新しいCNNアルゴリズムは構造劣化の発見に極めて正確であることが示唆された。
論文 参考訳(メタデータ) (2023-11-07T11:57:33Z) - On the Onset of Robust Overfitting in Adversarial Training [66.27055915739331]
Adversarial Training (AT)は、堅牢なニューラルネットワークを構築するために広く使われているアルゴリズムである。
ATは、堅牢なオーバーフィッティングの問題に悩まされているが、その基本的なメカニズムはまだ不明だ。
論文 参考訳(メタデータ) (2023-10-01T07:57:03Z) - Robustness and Generalization Performance of Deep Learning Models on
Cyber-Physical Systems: A Comparative Study [71.84852429039881]
調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。
我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
論文 参考訳(メタデータ) (2023-06-13T12:43:59Z) - Detecting train driveshaft damages using accelerometer signals and
Differential Convolutional Neural Networks [67.60224656603823]
本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。
その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
論文 参考訳(メタデータ) (2022-11-15T15:04:06Z) - Deep learning for structural health monitoring: An application to
heritage structures [7.174187754917523]
ルッカのサン・フレディアーノ・ベル・タワーに記録された大規模なデータセットの異常を検査・検出するために,近年の深層学習技術を用いて時系列予測を行った。
我々は、この問題を教師なしの異常検出タスクとしてフレーム化し、テンポラルフュージョン変換器を訓練して、構造物の正常なダイナミクスを学習する。
論文 参考訳(メタデータ) (2022-11-04T10:17:55Z) - CycleGAN for Undamaged-to-Damaged Domain Translation for Structural
Health Monitoring and Damage Detection [0.618778092044887]
現在使用されているAIベースの損傷診断と予後診断のためのデータ駆動手法は、その構造の歴史的データを中心にしている。
本研究では,GAN(Generative Adversarial Networks, GAN, Cycle-Consistent Wasserstein Deep Convolutional GAN with Gradient Penalty (CycleWDCGAN-GP)モデルを用いた。
本研究の結果から, 本モデルでは, 将来的な損傷条件に対する構造の将来的な応答を正確に生成できることが示唆された。
論文 参考訳(メタデータ) (2022-02-16T02:31:38Z) - Generative Adversarial Networks for Labelled Vibration Data Generation [0.8250374560598496]
本稿では,Deep Conversaal Neural Network(DCNN)上に構築され,人工ラベル付きデータを生成するためにWasserstein Distanceを用いたGAN(Generative Adrial Networks)を提案する。
開発した1次元W-DCGANは入力と非常によく似た振動データを生成する。
論文 参考訳(メタデータ) (2021-12-07T03:37:48Z) - Assessing out-of-domain generalization for robust building damage
detection [78.6363825307044]
建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。
モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。
今後はOOD体制に重点を置くべきだと我々は主張する。
論文 参考訳(メタデータ) (2020-11-20T10:30:43Z) - Learning perturbation sets for robust machine learning [97.6757418136662]
我々は、潜在空間の制約領域上に設定された摂動を定義する条件生成器を用いる。
学習した摂動集合の質を定量的かつ質的に測定する。
我々は、学習した摂動集合を利用して、敵画像の破損や逆光の変動に対して経験的かつ確実に堅牢なモデルを訓練する。
論文 参考訳(メタデータ) (2020-07-16T16:39:54Z) - A Hierarchical Deep Convolutional Neural Network and Gated Recurrent
Unit Framework for Structural Damage Detection [0.0]
本稿では,空間的・時間的関係をモデル化する新しい階層型CNNと Gated Recurrent Unit (GRU) フレームワークを提案する。
提案したHCGは,既存の構造損傷検出法よりも優れていた。
論文 参考訳(メタデータ) (2020-05-29T07:55:04Z) - RescueNet: Joint Building Segmentation and Damage Assessment from
Satellite Imagery [83.49145695899388]
RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。
RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
論文 参考訳(メタデータ) (2020-04-15T19:52:09Z)
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。