論文の概要: Analysis for full face mechanical behaviors through spatial deduction
model with real-time monitoring data
- arxiv url: http://arxiv.org/abs/2109.13167v1
- Date: Mon, 27 Sep 2021 16:28:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-28 15:23:00.365686
- Title: Analysis for full face mechanical behaviors through spatial deduction
model with real-time monitoring data
- Title（参考訳）: リアルタイムモニタリングデータを用いた空間推論モデルによるフルフェイス機械的挙動の解析
- Authors: Xuyan Tan, Yuhang Wang, Bowen Du, Junchen Ye, Weizhong Chen, Leilei
Sun and Liping Li
- Abstract要約: 空間トンネル構造は、多くの部分に分割され、マトリックスの形で再構成される。
トンネルの機械的挙動を調べるため, 現場の構造物に作用する外部荷重について検討した。
フルフェイス情報を得るために二重駆動モデルを開発した。
- 参考スコア（独自算出の注目度）: 21.131001656350712
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mechanical analysis for the full face of tunnel structure is crucial to
maintain stability, which is a challenge in classical analytical solutions and
data analysis. Along this line, this study aims to develop a spatial deduction
model to obtain the full-faced mechanical behaviors through integrating
mechanical properties into pure data-driven model. The spatial tunnel structure
is divided into many parts and reconstructed in a form of matrix. Then, the
external load applied on structure in the field was considered to study the
mechanical behaviors of tunnel. Based on the limited observed monitoring data
in matrix and mechanical analysis results, a double-driven model was developed
to obtain the full-faced information, in which the data-driven model was the
dominant one and the mechanical constraint was the secondary one. To verify the
presented spatial deduction model, cross-test was conducted through assuming
partial monitoring data are unknown and regarding them as testing points. The
well agreement between deduction results with actual monitoring results means
the proposed model is reasonable. Therefore, it was employed to deduct both the
current and historical performance of tunnel full face, which is crucial to
prevent structural disasters.
- Abstract（参考訳）: トンネル構造の全面に対する力学的解析は安定性を維持するのに不可欠であり、古典的解析解とデータ分析における課題である。
本研究は, 機械的特性を純粋データ駆動モデルに統合することにより, 完全な機械的挙動を得るための空間推論モデルの開発を目的とする。
空間トンネル構造は多くの部分に分割され、マトリックスの形で再構成される。
次に, 現場の構造物に作用する外荷重をトンネルの力学的挙動について検討した。
マトリックスおよび機械的解析結果の限られた観測データに基づいて、データ駆動モデルが支配的であり、機械的制約が二次的であるフルフェイス情報を得るために、二重駆動モデルを開発した。
提案した空間推論モデルを検証するため,部分的なモニタリングデータが未知であると仮定してクロステストを行った。
推定結果と実際のモニタリング結果との井戸一致は,提案モデルが妥当であることを意味する。
そのため、構造的災害防止に欠かせないトンネル全面の現在・歴史的性能の双方を控除するために用いられた。
関連論文リスト
- Dynamical Regimes of Diffusion Models [14.797301819675454]
空間の次元とデータ数が大きい体制における生成拡散モデルについて検討する。
本研究は, 逆向き発生拡散過程における3つの異なる動的状態を明らかにするものである。
崩壊時間の次元とデータ数への依存性は、拡散モデルにおける次元の呪いの徹底的な評価を与える。
論文 参考訳（メタデータ） (2024-02-28T17:19:26Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - Thermodynamically Consistent Machine-Learned Internal State Variable
Approach for Data-Driven Modeling of Path-Dependent Materials [0.76146285961466]
ディープニューラルネットワークやリカレントニューラルネットワーク(RNN)などのデータ駆動機械学習モデルが,現実的な代替手段になりつつある。
本研究では,計測可能な材料に基づく経路依存材料に対する,機械学習型ロバスト性駆動型モデリング手法を提案する。
論文 参考訳（メタデータ） (2022-05-01T23:25:08Z) - Unsupervised and supervised learning of interacting topological phases
from single-particle correlation functions [0.0]
本研究では、教師なしおよび教師なしの機械学習技術が、解決可能なモデルのデータに基づいて訓練された場合、正確には解決不可能なモデルのフェーズを予測することができることを示す。
特に,非相互作用量子ワイヤの単一粒子相関関数を用いたトレーニングセットを用いる。
非相互作用モデルのデータに基づいてトレーニングされた主成分分析と畳み込みニューラルネットワークの両方が、相互作用モデルの位相位相を高い精度で識別できることを示す。
論文 参考訳（メタデータ） (2022-02-18T16:02:29Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Structured learning of rigid-body dynamics: A survey and unified view
from a robotics perspective [5.597839822252915]
剛体力学とデータ駆動モデリング技術を組み合わせた回帰モデルについて検討した。
我々は、ニューラルネットワークやガウス過程などのデータ駆動回帰モデルと分析モデル先行モデルの組み合わせに関する統一的な見解を提供する。
論文 参考訳（メタデータ） (2020-12-11T11:26:48Z) - A physics-informed operator regression framework for extracting
data-driven continuum models [0.0]
高忠実度分子シミュレーションデータから連続体モデルを発見するためのフレームワークを提案する。
提案手法は、モーダル空間における制御物理のニューラルネットワークパラメタライゼーションを適用する。
局所・非局所拡散過程や単相・多相流など,様々な物理分野におけるフレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2020-09-25T01:13:51Z) - Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。
地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
論文 参考訳（メタデータ） (2020-02-05T10:11:26Z)
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。