論文の概要: Structured Machine Learning Tools for Modelling Characteristics of
Guided Waves
- arxiv url: http://arxiv.org/abs/2101.01506v1
- Date: Tue, 5 Jan 2021 13:42:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-11 11:43:35.354129
- Title: Structured Machine Learning Tools for Modelling Characteristics of
Guided Waves
- Title（参考訳）: 誘導波のモデル化のための構造化機械学習ツール
- Authors: Marcus Haywood-Alexander, Nikolaos Dervilis, Keith Worden, Elizabeth
J. Cross, Robin S. Mills, Timothy J. Rogers
- Abstract要約: 本論文では,複合材料の導波特性空間をモデル化する新しい手法を提案する。
この手法はデータ駆動モデルに基づいており、事前の物理知識を使用して構造化された機械学習ツールを作成することができる。
本論文では、MLツールを用いたモデリングにおいて、導波の物理知識をどのように活用できるかを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The use of ultrasonic guided waves to probe the materials/structures for
damage continues to increase in popularity for non-destructive evaluation (NDE)
and structural health monitoring (SHM). The use of high-frequency waves such as
these offers an advantage over low-frequency methods from their ability to
detect damage on a smaller scale. However, in order to assess damage in a
structure, and implement any NDE or SHM tool, knowledge of the behaviour of a
guided wave throughout the material/structure is important (especially when
designing sensor placement for SHM systems). Determining this behaviour is
extremely diffcult in complex materials, such as fibre-matrix composites, where
unique phenomena such as continuous mode conversion takes place. This paper
introduces a novel method for modelling the feature-space of guided waves in a
composite material. This technique is based on a data-driven model, where prior
physical knowledge can be used to create structured machine learning tools;
where constraints are applied to provide said structure. The method shown makes
use of Gaussian processes, a full Bayesian analysis tool, and in this paper it
is shown how physical knowledge of the guided waves can be utilised in
modelling using an ML tool. This paper shows that through careful consideration
when applying machine learning techniques, more robust models can be generated
which offer advantages such as extrapolation ability and physical
interpretation.
- Abstract（参考訳）: 非破壊的評価 (NDE) や構造的健康モニタリング (SHM) では, 材料・構造物の損傷調査に超音波誘導波を用いることが人気を博している。
このような高周波波の使用は、より小さなスケールで損傷を検出する能力から、低周波法よりも有利である。
しかしながら、構造物の損傷を評価し、NDEやSHMツールを実装するためには、材料・構造全体にわたる誘導波の挙動に関する知識が重要である(特にSHMシステムのセンサ配置を設計する場合)。
この挙動を決定することは、連続モード変換のような特異な現象が起こる繊維・マトリックス複合体のような複雑な材料では極めて希薄である。
本稿では,複合材料中の導波の特徴空間をモデル化する新しい手法を提案する。
このテクニックはデータ駆動モデルに基づいており、事前の物理的知識を使って構造化された機械学習ツールを作成することができる。
本稿では,ガウス過程をフルベイズ解析ツールとして利用し,MLツールを用いたモデリングにおいて誘導波の物理的知識をどのように活用できるかを示す。
本稿では,機械学習手法を適用する際の注意深い考察を通じて,外挿能力や物理的解釈などの利点を有するより頑健なモデルが生成できることを示す。
関連論文リスト
- Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。
運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。
結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
論文 参考訳（メタデータ） (2024-02-28T02:16:03Z) - Orientation-Shared Convolution Representation for CT Metal Artifact
Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。
既存のディープラーニングベースの手法は、有望な再構築性能を得た。
本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文 参考訳（メタデータ） (2022-12-26T13:56:12Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Learning Deep Implicit Fourier Neural Operators (IFNOs) with
Applications to Heterogeneous Material Modeling [3.9181541460605116]
本稿では,従来のモデルを用いることなく,データ駆動モデルを用いて素材の応答を予測することを提案する。
材料応答は、負荷条件と結果の変位および/または損傷場の暗黙のマッピングを学習することによってモデル化される。
本稿では,超弾性材料,異方性材料,脆性材料など,いくつかの例について提案手法の性能を実証する。
論文 参考訳（メタデータ） (2022-03-15T19:08:13Z) - How to See Hidden Patterns in Metamaterials with Interpretable Machine
Learning [82.67551367327634]
我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。
具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
論文 参考訳（メタデータ） (2021-11-10T21:19:02Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳（メタデータ） (2021-06-24T15:58:57Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Using machine-learning modelling to understand macroscopic dynamics in a
system of coupled maps [0.0]
本稿では,グローバルに結合した地図システムから生じるマクロな動きについて考察する。
我々は、機械学習アプローチと粗粒度プロセスの遷移確率の直接数値計算の両方を用いて、マクロ力学のための粗粒度マルコフプロセスを構築した。
我々は,アトラクタの有効次元,メモリ効果の持続性,ダイナミクスのマルチスケール構造について重要な情報を推測することができる。
論文 参考訳（メタデータ） (2020-11-08T15:38:12Z) - Predicting Nonlinear Seismic Response of Structural Braces Using Machine
Learning [1.1602089225841632]
本研究の目的は,最先端の機械学習技術を用いてモデリング能力を向上させることである。
ディープニューラルネットワークアルゴリズムを用いて非線形力学を学習する能力とその利点を概説する。
論文 参考訳（メタデータ） (2020-07-27T16:16:03Z) - 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)
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。