論文の概要: CycleGAN for Undamaged-to-Damaged Domain Translation for Structural Health Monitoring and Damage Detection

• arxiv url: http://arxiv.org/abs/2202.07831v1
• Date: Wed, 16 Feb 2022 02:31:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-17 14:31:30.693117
• Title: CycleGAN for Undamaged-to-Damaged Domain Translation for Structural Health Monitoring and Damage Detection
• Title（参考訳）: 構造ヘルスモニタリングおよび損傷検出のための無損傷ドメイン翻訳用サイクガン
• Authors: Furkan Luleci, F. Necati Catbas, Onur Avci
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.618778092044887
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The accelerated advancements in the data science field in the last few decades has benefitted many other fields including Structural Health Monitoring (SHM). Particularly, the employment of Artificial Intelligence (AI) such as Machine Learning (ML) and Deep Learning (DL) methods towards vibration-based damage diagnostics of civil structures have seen a great interest due to their nature of supreme performance in learning from data. Along with diagnostics, damage prognostics also hold a vital prominence, such as estimating the remaining useful life of civil structures. Currently used AI-based data-driven methods for damage diagnostics and prognostics are centered on historical data of the structures and require a substantial amount of data to directly form the prediction models. Although some of these methods are generative-based models, after learning the distribution of the data, they are used to perform ML or DL tasks such as classification, regression, clustering, etc. In this study, a variant of Generative Adversarial Networks (GAN), Cycle-Consistent Wasserstein Deep Convolutional GAN with Gradient Penalty (CycleWDCGAN-GP) model is used to answer some of the most important questions in SHM: "How does the dynamic signature of a structure transition from undamaged to damaged conditions?" and "What is the nature of such transition?". The outcomes of this study demonstrate that the proposed model can accurately generate the possible future responses of a structure for potential future damaged conditions. In other words, with the proposed methodology, the stakeholders will be able to understand the damaged condition of structures while the structures are still in healthy (undamaged) conditions. This tool will enable them to be more proactive in overseeing the life cycle performance of structures as well as assist in remaining useful life predictions.
• Abstract（参考訳）: 過去数十年におけるデータサイエンス分野の急速な進歩は、構造健康モニタリング(SHM)を含む多くの分野に恩恵をもたらした。 特に、機械学習(ML)や深層学習(DL)といった人工知能(AI)を土木構造物の振動による損傷診断に応用することは、データからの学習における最高のパフォーマンスの性質から大きな関心を集めている。 診断と共に、損傷の予後は、土木構造物の残りの有用寿命を推定するなど、極めて重要な特徴を持つ。 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、構造物の歴史的データを中心にしており、予測モデルを直接形成するために大量のデータを必要とする。 これらの手法の一部は生成モデルであるが、データの分布を学習した後、分類、回帰、クラスタリングなどのMLまたはDLタスクを実行するために使用される。 本研究では、GAN(Generative Adversarial Networks)の変種であるCycle-Consistent Wasserstein Deep Convolutional GAN with Gradient Penalty (CycleWDCGAN-GP)モデルを用いて、SHMにおけるいくつかの重要な疑問に答える。 本研究の結果から, 本モデルでは, 将来の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。 言い換えれば、提案手法により、ステークホルダーは、構造がまだ健全な(損傷のない)状態にある間、構造物の損傷状態を理解することができる。 このツールにより、構造体のライフサイクルパフォーマンスをより積極的に監視し、有用な生命予測の維持を支援することができる。

関連論文リスト

• Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
  調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。 我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
  論文  参考訳（メタデータ） (2023-06-13T12:43:59Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
  機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。 モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
  論文  参考訳（メタデータ） (2023-03-02T17:27:45Z)
• On an Application of Generative Adversarial Networks on Remaining Lifetime Estimation [0.0]
  構造物の損傷進展を予測するために, 生成モデルを提案する。 このモデルは、損傷された構造の過去の多くの状態を考慮することができ、モデリングプロセスに不確実性を組み込んで、潜在的な損傷進化結果を生成することができる。 このアルゴリズムは、シミュレーションされた損傷進化の例でテストされ、その結果、集団内の構造物の残りの有用な寿命について、極めて確実な予測が可能であることが明らかになった。
  論文  参考訳（メタデータ） (2022-08-18T06:54:41Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Interpretability in Convolutional Neural Networks for Building Damage Classification in Satellite Imagery [0.0]
  我々は、プレサスタ衛星画像とポストサスタ衛星画像とをラベル付けしたデータセットを使用して、建物ごとの損傷を評価する。 複数の畳み込みニューラルネットワーク(CNN)をトレーニングし、建物ごとの損傷を評価する。 我々の研究は、人為的気候変動による人道的危機の進行に、計算的に貢献することを目指している。
  論文  参考訳（メタデータ） (2022-01-24T16:55:56Z)
• 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)
• Generative Adversarial Networks for Labeled Data Creation for Structural Damage Detection [0.8250374560598496]
  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。
  論文  参考訳（メタデータ） (2021-12-07T03:55:03Z)
• 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)
• Understanding and Diagnosing Vulnerability under Adversarial Attacks [62.661498155101654]
  ディープニューラルネットワーク(DNN)は敵の攻撃に弱いことが知られている。 本稿では,潜在変数の分類に使用される特徴を説明するために,新しい解釈可能性手法であるInterpretGANを提案する。 また、各層がもたらす脆弱性を定量化する最初の診断方法も設計する。
  論文  参考訳（メタデータ） (2020-07-17T01:56:28Z)

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。