論文の概要: Dynamic Analysis of Nonlinear Civil Engineering Structures using
Artificial Neural Network with Adaptive Training
- arxiv url: http://arxiv.org/abs/2111.13759v1
- Date: Sun, 21 Nov 2021 21:14:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-06 01:22:27.369224
- Title: Dynamic Analysis of Nonlinear Civil Engineering Structures using
Artificial Neural Network with Adaptive Training
- Title（参考訳）: 適応学習型ニューラルネットワークを用いた非線形土木構造物の動的解析
- Authors: Xiao Pan, Zhizhao Wen, T.Y. Yang
- Abstract要約: 本研究では,適応学習アルゴリズムを用いて人工ニューラルネットワークを開発した。
実地運動記録に対するせん断フレームと岩体構造の時間履歴応答をネットワークで予測できる。
- 参考スコア（独自算出の注目度）: 2.1202971527014287
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Dynamic analysis of structures subjected to earthquake excitation is a
time-consuming process, particularly in the case of extremely small time step
required, or in the presence of high geometric and material nonlinearity.
Performing parametric studies in such cases is even more tedious. The
advancement of computer graphics hardware in recent years enables efficient
training of artificial neural networks that are well-known to be capable of
learning highly nonlinear mappings. In this study, artificial neural networks
are developed with adaptive training algorithms, which enables automatic nodes
generation and layers addition. The hyperbolic tangent function is selected as
the activation function. Stochastic Gradient Descent and Back Propagation
algorithms are adopted to train the networks. The neural networks initiate with
a small number of hidden layers and nodes. During training, the performance of
the network is continuously tracked, and new nodes or layers are added to the
hidden layers if the neural network reaches its capacity. At the end of the
training process, the network with appropriate architecture is automatically
formed. The performance of the networks has been validated for inelastic shear
frames, as well as rocking structures, of which both are first built in finite
element program for dynamic analysis to generate training data. Results have
shown the developed networks can successfully predict the time-history response
of the shear frame and the rock structure subjected to real ground motion
records. The efficiency of the proposed neural networks is also examined, which
shows the computational time can be reduced by 43% by the neural networks
method than FE models. This indicates the trained networks can be utilized to
generate rocking spectrums of structures more efficiently which demands a large
number of time-history analyses.
- Abstract（参考訳）: 地震励起を受ける構造物の動的解析は、特に、非常に小さな時間ステップを必要とする場合や、高い幾何学的および物質的非線形性が存在する場合において、時間を要する過程である。
このようなケースでパラメトリックな研究を行うのは、さらに面倒です。
近年のコンピュータグラフィックスハードウェアの進歩により、高非線形マッピングを学習できることで知られる人工ニューラルネットワークの効率的なトレーニングが可能になる。
本研究では,ニューラルネットワークを適応学習アルゴリズムで構築し,ノードの自動生成とレイヤの追加を可能にする。
活性化機能として双曲タンジェント関数が選択される。
確率勾配DescentとBack Propagationアルゴリズムがネットワークのトレーニングに採用されている。
ニューラルネットワークは、少数の隠れた層とノードで開始する。
トレーニング中、ネットワークのパフォーマンスは継続的に追跡され、ニューラルネットワークのキャパシティに達すると、隠れた層に新しいノードやレイヤが追加される。
トレーニングプロセスの終了時に、適切なアーキテクチャを持つネットワークが自動的に形成される。
ネットワークの性能は、非弾性せん断フレームやロッキング構造で検証されており、どちらも最初に有限要素プログラムで構築され、動的解析によってトレーニングデータを生成する。
その結果, 開発したネットワークは, 実測地記録により, せん断フレームと岩石構造物の時空応答を良好に予測できることがわかった。
提案したニューラルネットワークの効率についても検討し、FEモデルよりもニューラルネットワーク法により計算時間を43%削減できることを示した。
このことは、トレーニングされたネットワークを利用して、より効率的に構造物の揺らぎスペクトルを生成できることを示している。
関連論文リスト
- Peer-to-Peer Learning Dynamics of Wide Neural Networks [10.179711440042123]
我々は,一般的なDGDアルゴリズムを用いて学習した広範ニューラルネットワークの学習力学を,明示的で非漸近的に特徴づける。
我々は,誤りや誤りを正確に予測し,分析結果を検証した。
論文 参考訳（メタデータ） (2024-09-23T17:57:58Z) - Coding schemes in neural networks learning classification tasks [52.22978725954347]
完全接続型広義ニューラルネットワーク学習タスクについて検討する。
ネットワークが強力なデータ依存機能を取得することを示す。
驚くべきことに、内部表現の性質は神経の非線形性に大きく依存する。
論文 参考訳（メタデータ） (2024-06-24T14:50:05Z) - Dynamical stability and chaos in artificial neural network trajectories along training [3.379574469735166]
浅いニューラルネットワークのネットワーク軌跡をこのレンズを通して解析することにより,このプロセスの動的特性について検討する。
我々は,学習率の仕組みによって,規則的かつカオス的な行動のヒントを見いだす。
この研究は、力学系理論、ネットワーク理論、機械学習のアイデアの交叉受精にも貢献している。
論文 参考訳（メタデータ） (2024-04-08T17:33:11Z) - Understanding Activation Patterns in Artificial Neural Networks by
Exploring Stochastic Processes [0.0]
我々はこれまで未利用であったプロセスの枠組みを活用することを提案する。
我々は、実際のニューロンスパイク列車に使用される神経科学技術を活用した、アクティベーション周波数のみに焦点をあてる。
各ネットワークにおけるアクティベーションパターンを記述するパラメータを導出し、アーキテクチャとトレーニングセット間で一貫した差異を明らかにする。
論文 参考訳（メタデータ） (2023-08-01T22:12:30Z) - 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) - 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) - Efficient Neural Architecture Search with Performance Prediction [0.0]
ニューラルアーキテクチャ検索を使用して、目前にあるタスクに最適なネットワークアーキテクチャを見つけます。
既存のNASアルゴリズムは、スクラッチから完全にトレーニングすることで、新しいアーキテクチャの適合性を評価する。
サンプルアーキテクチャの評価を高速化するために,エンドツーエンドのオフライン性能予測器を提案する。
論文 参考訳（メタデータ） (2021-08-04T05:44:16Z) - Learning Contact Dynamics using Physically Structured Neural Networks [81.73947303886753]
ディープニューラルネットワークと微分方程式の接続を用いて、オブジェクト間の接触ダイナミクスを表現するディープネットワークアーキテクチャのファミリを設計する。
これらのネットワークは,ノイズ観測から不連続な接触事象をデータ効率良く学習できることを示す。
以上の結果から,タッチフィードバックの理想化形態は,この学習課題を扱いやすくするための重要な要素であることが示唆された。
論文 参考訳（メタデータ） (2021-02-22T17:33:51Z) - Firefly Neural Architecture Descent: a General Approach for Growing
Neural Networks [50.684661759340145]
firefly neural architecture descentは、ニューラルネットワークを漸進的かつ動的に成長させるための一般的なフレームワークである。
ホタルの降下は、より広く、より深くネットワークを柔軟に成長させ、正確だがリソース効率のよいニューラルアーキテクチャを学習するために応用できることを示す。
特に、サイズは小さいが、最先端の手法で学習したネットワークよりも平均精度が高いネットワークを学習する。
論文 参考訳（メタデータ） (2021-02-17T04:47:18Z) - Neural networks adapting to datasets: learning network size and topology [77.34726150561087]
ニューラルネットワークは、勾配に基づくトレーニングの過程で、そのサイズとトポロジの両方を学習できるフレキシブルなセットアップを導入します。
結果として得られるネットワークは、特定の学習タスクとデータセットに合わせたグラフの構造を持つ。
論文 参考訳（メタデータ） (2020-06-22T12:46:44Z)
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。