論文の概要: Sparse representation for damage identification of structural systems
- arxiv url: http://arxiv.org/abs/2006.03929v1
- Date: Sat, 6 Jun 2020 18:04:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 22:05:02.540584
- Title: Sparse representation for damage identification of structural systems
- Title（参考訳）: 構造系の損傷同定のためのスパース表現
- Authors: Zhao Chen and Hao Sun
- Abstract要約: モデル更新とスパース損傷識別のための2段階感度解析に基づく新しいフレームワークを提案する。
次に、準$ell法上に構築されたスパース表現パイプラインを、損傷と局所化定量化のために提示する。
提案手法は, 構造損傷の局所化と定量化の両方を高精度に行うことができることを示す。
- 参考スコア（独自算出の注目度）: 11.397437423613418
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Identifying damage of structural systems is typically characterized as an
inverse problem which might be ill-conditioned due to aleatory and epistemic
uncertainties induced by measurement noise and modeling error. Sparse
representation can be used to perform inverse analysis for the case of sparse
damage. In this paper, we propose a novel two-stage sensitivity analysis-based
framework for both model updating and sparse damage identification.
Specifically, an $\ell_2$ Bayesian learning method is firstly developed for
updating the intact model and uncertainty quantification so as to set forward a
baseline for damage detection. A sparse representation pipeline built on a
quasi-$\ell_0$ method, e.g., Sequential Threshold Least Squares (STLS)
regression, is then presented for damage localization and quantification.
Additionally, Bayesian optimization together with cross validation is developed
to heuristically learn hyperparameters from data, which saves the computational
cost of hyperparameter tuning and produces more reliable identification result.
The proposed framework is verified by three examples, including a 10-story
shear-type building, a complex truss structure, and a shake table test of an
eight-story steel frame. Results show that the proposed approach is capable of
both localizing and quantifying structural damage with high accuracy.
- Abstract（参考訳）: 構造系の損傷の同定は、通常、測定ノイズとモデリングエラーによって引き起こされる刺激的・認識的不確実性のために不調な逆問題として特徴づけられる。
スパース表現はスパース損傷の場合の逆解析に使うことができる。
本稿では,モデル更新とスパース損傷識別のための2段階感度解析に基づく新しいフレームワークを提案する。
具体的には,無傷モデルと不確実性定量化の更新のために,まず$\ell_2$ベイズ学習法を開発し,損傷検出のベースラインを設定する。
準$\ell_0$法に基づいて構築されたスパース表現パイプライン、例えば、逐次しきい値最小二乗(stls)回帰は、損傷の局在と定量化のために提示される。
さらに、データからヒューリスティックにハイパーパラメータを学習するために、クロス検証と共にベイズ最適化が開発され、ハイパーパラメータチューニングの計算コストを節約し、より信頼性の高い識別結果を生成する。
提案手法は, 10階建てのせん断型建物, 複雑なトラス構造, 8階建ての鋼製フレームの揺動テーブル試験の3例で検証された。
提案手法は, 構造損傷の局所化と定量化の両方を高精度に行うことができることを示す。
関連論文リスト
- Rigorous Probabilistic Guarantees for Robust Counterfactual Explanations [80.86128012438834]
モデルシフトに対する反ファクトの堅牢性を計算することはNP完全であることを示す。
本稿では,頑健性の厳密な推定を高い保証で実現する新しい確率論的手法を提案する。
論文 参考訳（メタデータ） (2024-07-10T09:13:11Z) - Making Reconstruction-based Method Great Again for Video Anomaly
Detection [64.19326819088563]
ビデオの異常検出は重要な問題だが、難しい問題だ。
既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。
連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
論文 参考訳（メタデータ） (2023-01-28T01:57:57Z) - A Novel Approach for Deterioration and Damage Identification in Building
Structures Based on Stockwell-Transform and Deep Convolutional Neural Network [11.596550916365574]
建物モデルに劣化損傷識別法(DIP)を適用した。
DIPは、低コストな環境振動を利用してストックウェル変換(ST)を用いて加速度応答を分析し、分光図を生成する。
我々の知る限りでは、STとCNNの組み合わせによる建物モデルにおける損傷と劣化の両方を高精度に評価するのは今回が初めてである。
論文 参考訳（メタデータ） (2021-11-11T11:31:37Z) - Trustworthy Medical Segmentation with Uncertainty Estimation [0.7829352305480285]
本稿では,セグメンテーションニューラルネットワークにおける不確実性定量化のための新しいベイズディープラーニングフレームワークを提案する。
我々は磁気共鳴イメージングとCTによる医用画像分割データについて検討した。
複数のベンチマークデータセットに対する実験により,提案するフレームワークは,最先端セグメンテーションモデルと比較して,ノイズや敵攻撃に対してより堅牢であることが示された。
論文 参考訳（メタデータ） (2021-11-10T22:46:05Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳（メタデータ） (2021-09-06T14:52:58Z) - Online structural health monitoring by model order reduction and deep
learning algorithms [0.17499351967216337]
オンラインダメージローカリゼーションに向けたシミュレーションに基づく分類戦略を提案する。
提案手法は2次元ポータルフレームと3次元ポータルフレーム鉄道橋に関する2つのケーススタディによって検証されている。
論文 参考訳（メタデータ） (2021-03-26T08:40:41Z) - Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。
この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。
実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文 参考訳（メタデータ） (2020-08-02T11:19:36Z) - Consistency Regularization for Certified Robustness of Smoothed
Classifiers [89.72878906950208]
最近のランダムな平滑化技術は、最悪の$ell$-robustnessを平均ケースのロバストネスに変換することができることを示している。
その結果,スムーズな分類器の精度と信頼性の高いロバスト性とのトレードオフは,ノイズに対する予測一貫性の規則化によって大きく制御できることが判明した。
論文 参考訳（メタデータ） (2020-06-07T06:57:43Z) - Data-Driven Failure Prediction in Brittle Materials: A Phase-Field Based
Machine Learning Framework [1.3858051019755282]
繰り返しまたは増加する負荷下でマイクロ・マクロ・クラックによって導かれる脆性材料の破壊は、しばしば破滅的である。
等温・線形弾性・等方位相場モデルにおける故障を予測するための教師付き機械学習(ML)フレームワークを開発した。
提案手法は,高い騒音レベルが存在する場合でも,許容精度で故障を予測できることを示す。
論文 参考訳（メタデータ） (2020-03-24T17:13:08Z) - A Critical View of the Structural Causal Model [89.43277111586258]
相互作用を全く考慮せずに原因と効果を識別できることが示される。
本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。
我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
論文 参考訳（メタデータ） (2020-02-23T22:52:28Z) - Fully convolutional networks for structural health monitoring through
multivariate time series classification [0.0]
構造健康モニタリング(SHM)への新たなアプローチを提案する。
広汎なセンサーシステムを通じて取得したデータから、損傷に敏感な特徴を自動的に識別することを目的としている。
損傷検出と局所化は分類問題として定式化され、FCN(Fully Convolutional Networks)を通して取り組まれる
論文 参考訳（メタデータ） (2020-02-12T21:59:29Z)
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。