論文の概要: Constraining Gaussian processes for physics-informed acoustic emission
mapping
- arxiv url: http://arxiv.org/abs/2206.01495v1
- Date: Fri, 3 Jun 2022 10:42:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-06 15:18:46.544350
- Title: Constraining Gaussian processes for physics-informed acoustic emission
mapping
- Title（参考訳）: 物理インフォームド音響放射マッピングのためのガウス過程の制約
- Authors: Matthew R Jones, Timothy J Rogers and Elizabeth J Cross
- Abstract要約: 本稿では,物理インフォームドガウシアン法による音響放射マップの学習について考察する。
提案手法は,データ収集の負担を著しく低減し,境界条件知識の導入が予測精度を著しく向上させることを示す。
- 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: The automated localisation of damage in structures is a challenging but
critical ingredient in the path towards predictive or condition-based
maintenance of high value structures. The use of acoustic emission time of
arrival mapping is a promising approach to this challenge, but is severely
hindered by the need to collect a dense set of artificial acoustic emission
measurements across the structure, resulting in a lengthy and often impractical
data acquisition process. In this paper, we consider the use of
physics-informed Gaussian processes for learning these maps to alleviate this
problem. In the approach, the Gaussian process is constrained to the physical
domain such that information relating to the geometry and boundary conditions
of the structure are embedded directly into the learning process, returning a
model that guarantees that any predictions made satisfy physically-consistent
behaviour at the boundary. A number of scenarios that arise when training
measurement acquisition is limited, including where training data are sparse,
and also of limited coverage over the structure of interest. Using a complex
plate-like structure as an experimental case study, we show that our approach
significantly reduces the burden of data collection, where it is seen that
incorporation of boundary condition knowledge significantly improves predictive
accuracy as training observations are reduced, particularly when training
measurements are not available across all parts of the structure.
- Abstract（参考訳）: 構造物の損傷の自動局所化は、高価値構造物の予測的あるいは条件に基づく維持への道のりにおいて、難しいが重要な要素である。
到着地図の音響放射時間の利用は、この課題に対して有望なアプローチであるが、構造全体にわたって密集した人工的な音響放射測定の集合を収集する必要があるため、結果として長く、しばしば非現実的なデータ取得プロセスが困難である。
本稿では,この問題を緩和するために,物理インフォームドガウス過程を用いてこれらの地図を学習する。
このアプローチでは、ガウス過程は物理領域に拘束され、構造の幾何学と境界条件に関する情報が学習プロセスに直接埋め込まれ、任意の予測が境界における物理的に一貫性のある振る舞いを満たすことを保証するモデルを返す。
トレーニングデータが少ない場所や興味の構造に関して限定的なカバレッジを含む、トレーニング測定取得時に発生するいくつかのシナリオが制限されている。
実験ケーススタディとして複雑板状構造を用いた場合,本手法はデータ収集の負担を著しく低減するが, 境界条件知識の導入は, トレーニング観測の低減とともに予測精度を著しく向上させる。
関連論文リスト
- FaultSeg Swin-UNETR: Transformer-Based Self-Supervised Pretraining Model
for Fault Recognition [13.339333273943842]
本稿では,自己教師付き事前学習による地震断層認識の高度化手法を提案する。
我々は,Swin Transformerモデルをコアネットワークとして採用し,SimMIMプレトレーニングタスクを用いて,地震データにおける不連続性に関連する特徴を抽出した。
実験の結果,提案手法は,OISおよびODS測定値から,Thebeデータセット上での最先端性能を実現することができた。
論文 参考訳（メタデータ） (2023-10-27T08:38:59Z) - Order-based Structure Learning with Normalizing Flows [7.972479571606131]
観測データの因果構造を推定することは、グラフサイズと超指数的にスケールする難しい探索問題である。
既存の手法では、連続緩和を用いてこの問題を計算的に取り扱えるようにしているが、しばしばデータ生成過程を加法雑音モデル(ANM)に制限する。
自己回帰正規化フローを用いてこれらの仮定を緩和するフレームワークである,正規化フローを用いた秩序に基づく構造学習(OSLow)を提案する。
論文 参考訳（メタデータ） (2023-08-14T22:17:33Z) - Last layer state space model for representation learning and uncertainty
quantification [0.0]
本稿では,低次元状態を学ぶための表現学習段階と,不確実性推定のための状態空間モデルという2つのステップで分類・回帰タスクを分解することを提案する。
我々は、状態空間をベースとした最後の層を追加することで、既存のトレーニング済みニューラルネットワーク上に予測分布を推定する方法を実証する。
我々のモデルは、未知あるいは不利用可能な変数のため、ノイズの多いデータ構造を考慮し、予測に対して信頼区間を提供することができる。
論文 参考訳（メタデータ） (2023-07-04T08:37:37Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - A Causality-Based Learning Approach for Discovering the Underlying
Dynamics of Complex Systems from Partial Observations with Stochastic
Parameterization [1.2882319878552302]
本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。
モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。
数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
論文 参考訳（メタデータ） (2022-08-19T00:35:03Z) - On Leave-One-Out Conditional Mutual Information For Generalization [122.2734338600665]
残余条件付き相互情報(loo-CMI)の新しい尺度に基づく教師付き学習アルゴリズムのための情報理論の一般化境界を導出する。
他のCMI境界とは対照的に、我々のloo-CMI境界は容易に計算でき、古典的なout-out-out-cross-validationのような他の概念と関連して解釈できる。
ディープラーニングのシナリオにおいて予測された一般化ギャップを評価することにより,境界の質を実証的に検証する。
論文 参考訳（メタデータ） (2022-07-01T17:58:29Z) - Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。
近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
論文 参考訳（メタデータ） (2022-05-31T22:28:34Z) - Learning-based Localizability Estimation for Robust LiDAR Localization [13.298113481670038]
LiDARベースのローカライゼーションとマッピングは、多くの現代のロボットシステムにおける中核的なコンポーネントの1つである。
本研究では,ロボット動作中の(非)局所性を検出するニューラルネットワークに基づく推定手法を提案する。
論文 参考訳（メタデータ） (2022-03-11T01:12:00Z) - 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) - Learning perturbation sets for robust machine learning [97.6757418136662]
我々は、潜在空間の制約領域上に設定された摂動を定義する条件生成器を用いる。
学習した摂動集合の質を定量的かつ質的に測定する。
我々は、学習した摂動集合を利用して、敵画像の破損や逆光の変動に対して経験的かつ確実に堅牢なモデルを訓練する。
論文 参考訳（メタデータ） (2020-07-16T16:39:54Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳（メタデータ） (2020-06-19T21:04:47Z)
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。