論文の概要: Generative Adversarial Networks for Labeled Data Creation for Structural
Damage Detection
- arxiv url: http://arxiv.org/abs/2112.03478v1
- Date: Tue, 7 Dec 2021 03:55:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-08 13:51:43.016982
- Title: Generative Adversarial Networks for Labeled Data Creation for Structural
Damage Detection
- Title（参考訳）: 構造損傷検出のためのラベル付きデータ作成のための生成逆ネットワーク
- Authors: Furkan Luleci, F. Necati Catbas, Onur Avci
- Abstract要約: 本稿では,1次元深部畳み込みニューラルネットワーク(1-D DCNN)を用いて,合成強化振動データセットの異なるレベルにおける構造的損傷検出を実現する。
損傷検出の結果, 1次元WDCGAN-GPは, 土木構造物の振動による損傷診断において, データの不足に対処するために有効であることがわかった。
- 参考スコア（独自算出の注目度）: 0.8250374560598496
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: There has been a drastic progression in the field of Data Science in the last
few decades and other disciplines have been continuously benefitting from it.
Structural Health Monitoring (SHM) is one of those fields that use Artificial
Intelligence (AI) such as Machine Learning (ML) and Deep Learning (DL)
algorithms for condition assessment of civil structures based on the collected
data. The ML and DL methods require plenty of data for training procedures;
however, in SHM, data collection from civil structures is very exhaustive;
particularly getting useful data (damage associated data) can be very
challenging. This paper uses 1-D Wasserstein Deep Convolutional Generative
Adversarial Networks using Gradient Penalty (1-D WDCGAN-GP) for synthetic
labeled vibration data generation. Then, implements structural damage detection
on different levels of synthetically enhanced vibration datasets by using 1-D
Deep Convolutional Neural Network (1-D DCNN). The damage detection results show
that the 1-D WDCGAN-GP can be successfully utilized to tackle data scarcity in
vibration-based damage diagnostics of civil structures. Keywords: Structural
Health Monitoring (SHM), Structural Damage Diagnostics, Structural Damage
Detection, 1-D Deep Convolutional Neural Networks (1-D DCNN), 1-D Generative
Adversarial Networks (1-D GAN), Deep Convolutional Generative Adversarial
Networks (DCGAN), Wasserstein Generative Adversarial Networks with Gradient
Penalty (WGAN-GP)
- Abstract（参考訳）: 過去数十年間、データサイエンスの分野では飛躍的な進歩があり、他の分野もその恩恵を受け続けている。
構造的健康モニタリング(SHM)は、機械学習(ML)やディープラーニング(DL)アルゴリズムなどの人工知能(AI)を用いて、収集されたデータに基づく土木構造物の状態評価を行う分野の一つである。
MLとDLの手法はトレーニング手順に多くのデータを必要とするが、SHMでは、土木構造物からのデータ収集は非常に徹底的であり、特に有用なデータ(関連するデータにダメージを与える)を取得することは非常に困難である。
本稿では1次元WDCGAN-GP(Gradient Penalty)を用いた1次元Wasserstein Deep Convolutional Generative Adversarial Networksを合成ラベル付き振動データ生成に用いる。
次に,1-D Deep Convolutional Neural Network (1-D DCNN)を用いて,異なるレベルの合成強化振動データセットに対して構造的損傷検出を行う。
損傷検出の結果, 1次元WDCGAN-GPは, 土木構造物の振動による損傷診断におけるデータ不足に対処するために有効であることがわかった。
キーワード:構造的健康モニタリング(SHM)、構造的損傷診断、構造的損傷検出、一次元深部畳み込みニューラルネットワーク(1-D DCNN)、一次元生成的敵ネットワーク(1-D GAN)、深部畳み込み生成的敵ネットワーク(DCGAN)、ワッサーシュタイン生成的敵ネットワーク(WGAN-GP)
関連論文リスト
- Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - 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) - Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
自律運転システムには2つの主要なアルゴリズムアプローチがある。
ディープラーニングだけでは、多くの分野で最先端の結果が得られています。
しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
論文 参考訳（メタデータ） (2022-03-28T20:29:50Z) - CycleGAN for Undamaged-to-Damaged Domain Translation for Structural
Health Monitoring and Damage Detection [0.618778092044887]
現在使用されているAIベースの損傷診断と予後診断のためのデータ駆動手法は、その構造の歴史的データを中心にしている。
本研究では,GAN(Generative Adversarial Networks, GAN, Cycle-Consistent Wasserstein Deep Convolutional GAN with Gradient Penalty (CycleWDCGAN-GP)モデルを用いた。
本研究の結果から, 本モデルでは, 将来的な損傷条件に対する構造の将来的な応答を正確に生成できることが示唆された。
論文 参考訳（メタデータ） (2022-02-16T02:31:38Z) - Generative Adversarial Networks for Data Generation in Structural Health
Monitoring [0.8250374560598496]
AIでは、機械学習(ML)とディープラーニング(DL)アルゴリズムは、トレーニングに多くのデータセットを必要とする。
SHMアプリケーションでは、センサを介して土木構造物からデータを収集することは高価であり、有用なデータ(損傷関連データ)を得ることは困難である。
本稿では, DLやMLに基づく損傷診断において不十分なデータに対して, 1次元WDCGAN-GPがトレーニング対象モデルのデータを生成可能であることを示す。
論文 参考訳（メタデータ） (2021-12-07T03:39:31Z) - 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) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳（メタデータ） (2020-07-31T14:34:47Z) - Multi-Objective Variational Autoencoder: an Application for Smart
Infrastructure Maintenance [1.2311105789643062]
マルチウェイセンシングデータにおけるスマートインフラストラクチャ損傷検出と診断のための多目的変分オートエンコーダ(MVA)手法を提案する。
そこで本手法では,複数のセンサから情報的特徴を抽出し,損傷同定に活用する。
論文 参考訳（メタデータ） (2020-03-11T01:30:08Z)
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。