論文の概要: Online structural health monitoring by model order reduction and deep learning algorithms

• arxiv url: http://arxiv.org/abs/2103.14328v1
• Date: Fri, 26 Mar 2021 08:40:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-29 12:27:48.592574
• Title: Online structural health monitoring by model order reduction and deep learning algorithms
• Title（参考訳）: モデルオーダー削減とディープラーニングアルゴリズムによるオンライン構造健康モニタリング
• Authors: Luca Rosafalco, Matteo Torzoni, Andrea Manzoni, Stefano Mariani, Alberto Corigliano
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.17499351967216337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Within a structural health monitoring (SHM) framework, we propose a simulation-based classification strategy to move towards online damage localization. The procedure combines parametric Model Order Reduction (MOR) techniques and Fully Convolutional Networks (FCNs) to analyze raw vibration measurements recorded on the monitored structure. First, a dataset of possible structural responses under varying operational conditions is built through a physics-based model, allowing for a finite set of predefined damage scenarios. Then, the dataset is used for the offline training of the FCN. Because of the extremely large number of model evaluations required by the dataset construction, MOR techniques are employed to reduce the computational burden. The trained classifier is shown to be able to map unseen vibrational recordings, e.g. collected on-the-fly from sensors placed on the structure, to the actual damage state, thus providing information concerning the presence and also the location of damage. The proposed strategy has been validated by means of two case studies, concerning a 2D portal frame and a 3D portal frame railway bridge; MOR techniques have allowed us to respectively speed up the analyses about 30 and 420 times. For both the case studies, after training the classifier has attained an accuracy greater than 85%.
• Abstract（参考訳）: 構造的健康モニタリング(SHM)フレームワーク内では,オンライン被害の局所化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。 本手法は, パラメトリックモデルオーダー低減(mor)手法と完全畳み込みネットワーク(fcns)を組み合わせることで, 監視構造物に記録された生振動の測定結果を分析する。 第一に、様々な操作条件下で起こりうる構造的応答のデータセットは、物理学に基づくモデルによって構築される。 そして、データセットをFCNのオフライントレーニングに使用する。 データセット構築に必要なモデル評価が極めて多いため、計算負担を軽減するためにMOR技術が用いられている。 訓練された分類器は、例えば、見えない振動記録をマッピングできることが示される。 構造物に設置されたセンサーから、実際の損傷状態まで、オンザフライで収集し、損傷の有無に関する情報を提供する。 提案手法は2次元ポータル・フレームと3次元ポータル・フレーム鉄道橋の2つのケーススタディにより検証され,MOR技術により解析を約30回,420回高速化することができた。 両方のケーススタディにおいて、訓練後、分類器は85%以上の精度を達成した。

関連論文リスト

• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• 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)
• Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data [58.720142291102135]
  実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。 我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。 このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
  論文  参考訳（メタデータ） (2023-02-24T12:04:46Z)
• 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)
• Semi-supervised detection of structural damage using Variational Autoencoder and a One-Class Support Vector Machine [0.0]
  本稿では,構造異常を検出するためのデータ駆動型手法を用いた半教師付き手法を提案する。 IASC-ASCE 構造健康モニタリングタスクグループによって9つの損傷シナリオで試験されたスケールスチール構造に適用した。
  論文  参考訳（メタデータ） (2022-10-11T07:39:08Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)
• Interpretability in Convolutional Neural Networks for Building Damage Classification in Satellite Imagery [0.0]
  我々は、プレサスタ衛星画像とポストサスタ衛星画像とをラベル付けしたデータセットを使用して、建物ごとの損傷を評価する。 複数の畳み込みニューラルネットワーク(CNN)をトレーニングし、建物ごとの損傷を評価する。 我々の研究は、人為的気候変動による人道的危機の進行に、計算的に貢献することを目指している。
  論文  参考訳（メタデータ） (2022-01-24T16:55:56Z)
• Self-Learning for Received Signal Strength Map Reconstruction with Neural Architecture Search [63.39818029362661]
  ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。 このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。 実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
  論文  参考訳（メタデータ） (2021-05-17T12:19:22Z)
• Sparse representation for damage identification of structural systems [11.397437423613418]
  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。
  論文  参考訳（メタデータ） (2020-06-06T18:04:35Z)
• 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)
• 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。