論文の概要: Wave based damage detection in solid structures using artificial neural
networks
- arxiv url: http://arxiv.org/abs/2103.16339v1
- Date: Tue, 30 Mar 2021 13:31:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-31 19:13:01.593706
- Title: Wave based damage detection in solid structures using artificial neural
networks
- Title(参考訳): ニューラルネットワークを用いた固体構造物の波による損傷検出
- Authors: Frank Wuttke, Hao Lyu, Amir S. Sattari and Zarghaam H. Rizvi
- Abstract要約: 本稿では,ニューラルネットワークが構造特性の初期あるいは変化を認識する能力について考察する。
CNNモデルは、構造物内の亀裂発生後の伝播波場の変化を特定するために使用される。
モデルのトレーニングにはまだ時間がかかるが,提案手法は新たなひび割れ検出や構造的健康モニタリング手法として大きな可能性を秘めている。
- 参考スコア(独自算出の注目度): 0.02294014185517203
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The identification of structural damages takes a more and more important role
within the modern economy, where often the monitoring of an infrastructure is
the last approach to keep it under public use. Conventional monitoring methods
require specialized engineers and are mainly time consuming. This research
paper considers the ability of neural networks to recognize the initial or
alteration of structural properties based on the training processes. The
presented work here is based on Convolutional Neural Networks (CNN) for wave
field pattern recognition, or more specifically the wave field change
recognition. The CNN model is used to identify the change within propagating
wave fields after a crack initiation within the structure. The paper describes
the implemented method and the required training procedure to get a successful
crack detection accuracy, where the training data are based on the dynamic
lattice model. Although the training of the model is still time consuming, the
proposed new method has an enormous potential to become a new crack detection
or structural health monitoring approach within the conventional monitoring
methods.
- Abstract(参考訳): 構造的損傷の特定は、現代経済においてますます重要な役割を担っており、インフラの監視が公共利用を維持するための最後のアプローチであることが多い。
従来の監視方法は専門の技術者を必要とし、主に時間を要する。
本研究は、ニューラルネットワークがトレーニングプロセスに基づいて構造特性の初期または変更を認識する能力について検討する。
ここでは、波動場パターン認識のための畳み込みニューラルネットワーク(CNN)、より具体的には波動場変化認識について述べる。
CNNモデルは、構造物内の亀裂発生後の伝播波場の変化を特定するために使用される。
本稿では, 動的格子モデルに基づいて, き裂検出精度を向上するために, 実装手法と必要な訓練手順について述べる。
モデルのトレーニングはまだ時間がかかるが,提案手法は従来型のモニタリング手法において,新たな亀裂検出や構造的健康モニタリング手法となる可能性が大きい。
関連論文リスト
- Machine learning for structural design models of continuous beam systems via influence zones [3.284878354988896]
この研究は、逆問題の観点から連続ビームシステムのための機械学習構造設計モデルを開発する。
本研究の目的は,任意のシステムサイズを持つ連続ビームシステムの断面積要求を予測できる非定常構造設計モデルを概念化することである。
論文 参考訳(メタデータ) (2024-03-14T14:53:18Z) - Concrete Surface Crack Detection with Convolutional-based Deep Learning
Models [0.0]
き裂検出は、建物の構造的健康モニタリングと検査に重要である。
畳み込みニューラルネットワーク(CNN)は、ひび割れ検出のための有望なフレームワークとして登場した。
我々は、事前訓練されたディープラーニングアーキテクチャに微調整技術を採用する。
論文 参考訳(メタデータ) (2024-01-13T17:31:12Z) - 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) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳(メタデータ) (2023-06-04T08:53:27Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳(メタデータ) (2023-03-02T17:27:45Z) - Quantization-aware Interval Bound Propagation for Training Certifiably
Robust Quantized Neural Networks [58.195261590442406]
我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。
近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。
本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
論文 参考訳(メタデータ) (2022-11-29T13:32:38Z) - Critical Learning Periods for Multisensory Integration in Deep Networks [112.40005682521638]
ニューラルネットワークが様々な情報源からの情報を統合する能力は、トレーニングの初期段階において、適切な相関した信号に晒されることに批判的になることを示す。
臨界周期は、訓練されたシステムとその学習された表現の最終性能を決定づける、複雑で不安定な初期過渡的ダイナミクスから生じることを示す。
論文 参考訳(メタデータ) (2022-10-06T23:50:38Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - Unsupervised Shape Completion via Deep Prior in the Neural Tangent
Kernel Perspective [40.39169145231995]
深層ニューラルネットワークを用いて不完全なスキャンデータから3次元形状の完成と再構成を行う新しい手法を提案する。
監視された完了タスクでトレーニングされ、テスト形状に適用される代わりに、ネットワークは単一のテスト形状でスクラッチから最適化される。
訓練されていないニューラルネットワークによって欠落したデータを完遂する能力は、通常、deep priorと呼ばれる。
論文 参考訳(メタデータ) (2021-04-19T02:41:15Z) - Developing Constrained Neural Units Over Time [81.19349325749037]
本稿では,既存のアプローチと異なるニューラルネットワークの定義方法に焦点をあてる。
ニューラルネットワークの構造は、データとの相互作用にも拡張される制約の特別なクラスによって定義される。
提案した理論は時間領域にキャストされ, データを順序づけられた方法でネットワークに提示する。
論文 参考訳(メタデータ) (2020-09-01T09:07:25Z) - 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)
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。