論文の概要: A Novel Approach for Deterioration and Damage Identification in Building Structures Based on Stockwell-Transform and Deep Convolutional Neural Network

• arxiv url: http://arxiv.org/abs/2111.06155v1
• Date: Thu, 11 Nov 2021 11:31:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-12 20:07:24.034837
• Title: A Novel Approach for Deterioration and Damage Identification in Building Structures Based on Stockwell-Transform and Deep Convolutional Neural Network
• Title（参考訳）: ストックウェル・トランスフォーメーションと深部畳み込みニューラルネットワークに基づく建物構造物の劣化・損傷同定の新しい手法
• Authors: Vahid Reza Gharehbaghi, Hashem Kalbkhani, Ehsan Noroozinejad Farsangi, T.Y. Yang, Andy Nguyene, Seyedali Mirjalili, C. M\'alaga-Chuquitaype
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 11.596550916365574
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, a novel deterioration and damage identification procedure (DIP) is presented and applied to building models. The challenge associated with applications on these types of structures is related to the strong correlation of responses, which gets further complicated when coping with real ambient vibrations with high levels of noise. Thus, a DIP is designed utilizing low-cost ambient vibrations to analyze the acceleration responses using the Stockwell transform (ST) to generate spectrograms. Subsequently, the ST outputs become the input of two series of Convolutional Neural Networks (CNNs) established for identifying deterioration and damage to the building models. To the best of our knowledge, this is the first time that both damage and deterioration are evaluated on building models through a combination of ST and CNN with high accuracy.
• Abstract（参考訳）: 本稿では,新しい劣化・損傷識別手法(DIP)を提案し,建築モデルに適用する。 これらの構造に対する応用に関する課題は、応答の強い相関関係に関連しており、高レベルのノイズを持つ実環境振動に対処する際にはさらに複雑になる。 これにより、低コストの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、スペクトログラムを生成するディップを設計することができる。 その後、ST出力は、建物モデルの劣化と損傷を特定するために確立された2種類の畳み込みニューラルネットワーク(CNN)の入力となる。 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。

関連論文リスト

• ModeConv: A Novel Convolution for Distinguishing Anomalous and Normal Structural Behavior [2.6236811900685706]
  固有モードは、期待状態からの構造力学と偏差に関する洞察を与える。 固有モードの変化を自動的にキャプチャして解析するModeConvを提案する。 ModeConvは計算効率の向上を示し、結果としてモデル計算のランタイムが削減される。
  論文  参考訳（メタデータ） (2024-06-28T14:46:17Z)
• Towards Evaluating the Robustness of Visual State Space Models [63.14954591606638]
  視覚状態空間モデル(VSSM)は視覚知覚タスクにおいて顕著な性能を示した。 しかし、自然と敵対的な摂動の下での頑丈さは依然として重要な懸念事項である。 様々な摂動シナリオ下でのVSSMの頑健さを総合的に評価する。
  論文  参考訳（メタデータ） (2024-06-13T17:59:44Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• 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)
• From Environmental Sound Representation to Robustness of 2D CNN Models Against Adversarial Attacks [82.21746840893658]
  本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
  論文  参考訳（メタデータ） (2022-04-14T15:14:08Z)
• Generative Adversarial Networks for Labelled Vibration Data Generation [0.8250374560598496]
  本稿では,Deep Conversaal Neural Network(DCNN)上に構築され,人工ラベル付きデータを生成するためにWasserstein Distanceを用いたGAN(Generative Adrial Networks)を提案する。 開発した1次元W-DCGANは入力と非常によく似た振動データを生成する。
  論文  参考訳（メタデータ） (2021-12-07T03:37:48Z)
• On the benefits of robust models in modulation recognition [53.391095789289736]
  畳み込み層を用いたディープニューラルネットワーク(DNN)は、通信における多くのタスクにおいて最先端である。 画像分類のような他の領域では、DNNは敵の摂動に弱いことが示されている。 最新モデルの堅牢性をテストするための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-27T19:58:06Z)
• 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)
• 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。