論文の概要: Learning via Long Short-Term Memory (LSTM) network for predicting strains in Railway Bridge members under train induced vibration

• arxiv url: http://arxiv.org/abs/2111.06259v1
• Date: Mon, 8 Nov 2021 08:19:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-12 13:28:49.913433
• Title: Learning via Long Short-Term Memory (LSTM) network for predicting strains in Railway Bridge members under train induced vibration
• Title（参考訳）: 鉄道橋梁部材の振動ひずみ予測のためのlong short-term memory (lstm)ネットワークによる学習
• Authors: Amartya Dutta and Kamaljyoti Nath
• Abstract要約: LSTMは、ネットワークをトレーニングし、鉄道橋の異なる部材のひずみを予測するために使用される。 1つの部材のひずみデータを用いて、異なる部材のひずみを予測するために、実際のフィールドデータを用いている。 これは、データに多くのノイズがあったにもかかわらず、トレーニングにおけるLSTMの有効性を示し、ノイズの多いフィールドデータから予測する。
• 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: Bridge health monitoring using machine learning tools has become an efficient and cost-effective approach in recent times. In the present study, strains in railway bridge member, available from a previous study conducted by IIT Guwahati has been utilized. These strain data were collected from an existing bridge while trains were passing over the bridge. LSTM is used to train the network and to predict strains in different members of the railway bridge. Actual field data has been used for the purpose of predicting strain in different members using strain data from a single member, yet it has been observed that they are quite agreeable to those of ground truth values. This is in spite of the fact that a lot of noise existed in the data, thus showing the efficacy of LSTM in training and predicting even from noisy field data. This may easily open up the possibility of collecting data from the bridge with a much lesser number of sensors and predicting the strain data in other members through LSTM network.
• Abstract（参考訳）: 機械学習ツールを用いたブリッジヘルスモニタリングは、近年、効率的でコスト効率の良いアプローチとなっている。 本研究は,IITグワハチによる以前の研究から得られた鉄道橋梁部材のひずみを利用したものである。 これらのひずみデータは既存の橋から収集され、列車は橋を渡っていた。 LSTMは、ネットワークをトレーニングし、鉄道橋の異なる部材のひずみを予測するために使用される。 実際のフィールドデータは, 単一部材のひずみデータを用いて, 異なる部材のひずみを予測する目的で使用されているが, 基底真理値とはかなり一致している。 これは、データに多くのノイズがあったにもかかわらず、トレーニングにおけるLSTMの有効性を示し、ノイズの多いフィールドデータから予測する。 これにより、より少ない数のセンサで橋からデータを収集し、lstmネットワークを介して他のメンバーのひずみデータを予測できる可能性が開ける可能性がある。

関連論文リスト

• Multi-Scale Convolutional LSTM with Transfer Learning for Anomaly Detection in Cellular Networks [1.1432909951914676]
  本研究では,トランスファーラーニング(TL)を用いたマルチスケール畳み込みLSTMによるセルネットワークの異常検出手法を提案する。 モデルは最初、公開データセットを使用してスクラッチからトレーニングされ、典型的なネットワーク動作を学習する。 我々は,スクラッチから訓練したモデルの性能と,TLを用いた微調整モデルの性能を比較した。
  論文  参考訳（メタデータ） (2024-09-30T17:51:54Z)
• Effect of Duration and Delay on the Identifiability of VR Motion [14.960010297331912]
  本研究では,機械学習モデルがユーザの動作を正しく分類できる精度に,トレーニングデータの長さや遅延がどのような影響を及ぼすかを検討する。 トレーニングデータの持続時間と列車-テスト遅延は識別可能性に影響を及ぼし,列車-テスト遅延の最小化は極めて高い精度をもたらすことがわかった。
  論文  参考訳（メタデータ） (2024-07-25T20:30:46Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• BIONIB: Blockchain-based IoT using Novelty Index in Bridge Health Monitoring [0.0]
  ブリッジを監視するためにブロックチェーン上にリアルタイムIoTデータを格納するBIONIBを提案する。 EOSIOは橋梁の健全性を監視するのに非常に優れたスケーリング機能を備えている。 パフォーマンス分析は、健康状態と不健康な状態のブリッジでIoTセンサから収集されたリアルタイムデータを使用する。
  論文  参考訳（メタデータ） (2024-02-22T18:11:51Z)
• Object-Size-Driven Design of Convolutional Neural Networks: Virtual Axle Detection based on Raw Data [0.0]
  本研究は、専用軸受を列車軸受のリアルタイム検出のための新しいアプローチに置き換えることの課題に対処する。 提案したVADER(Virtual Axle Detector with Enhanced Receptive Field)は単線鉄道橋上で検証されている。 生データを入力として使用すると、最先端のスペクトログラムベースの手法がスピードとメモリ使用率の両方で99%向上する。
  論文  参考訳（メタデータ） (2023-09-04T12:53:54Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• Learning to Win Lottery Tickets in BERT Transfer via Task-agnostic Mask Training [55.43088293183165]
  近年の研究では、BERTのような事前学習言語モデル(PLM)には、元のPLMと同じような変換学習性能を持つマッチングワークが含まれていることが示されている。 本稿では, BERTworksがこれらの研究で示された以上の可能性を秘めていることを示す。 我々は、サブネットワークの普遍的な転送可能性を維持することを目的として、事前学習タスクのモデル重みよりも二項マスクを訓練する。
  論文  参考訳（メタデータ） (2022-04-24T08:42:47Z)
• Deep Reinforcement Learning Assisted Federated Learning Algorithm for Data Management of IIoT [82.33080550378068]
  産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。 IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。 本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
  論文  参考訳（メタデータ） (2022-02-03T07:12:36Z)
• RONELD: Robust Neural Network Output Enhancement for Active Lane Detection [1.3965477771846408]
  最近の最先端車線検出アルゴリズムは、畳み込みニューラルネットワーク(CNN)を用いてディープラーニングモデルを訓練している。 アクティブレーン検出(RONELD)のための実時間ロバストニューラルネットワーク出力向上手法を提案する。 RONELDの精度は最大2倍に向上した。
  論文  参考訳（メタデータ） (2020-10-19T14:22:47Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。