論文の概要: Machine learning based surrogate modeling with SVD enabled training for
nonlinear civil structures subject to dynamic loading
- arxiv url: http://arxiv.org/abs/2206.05720v1
- Date: Sun, 12 Jun 2022 11:57:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-14 13:52:24.743177
- Title: Machine learning based surrogate modeling with SVD enabled training for
nonlinear civil structures subject to dynamic loading
- Title（参考訳）: 動的負荷を受ける非線形土木構造物のSVDによる機械学習に基づく代理モデルの構築
- Authors: Siddharth S. Parida, Supratik Bose, Megan Butcher, Georgios
Apostolakis, Prashant Shekhar
- Abstract要約: 本稿では,地震を予測するための機械学習に基づく代理モデルフレームワークを提案する。
1階建てと3階建ての建物のピーク応答をうまく予測するために、このフレームワークを用いて検証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The computationally expensive estimation of engineering demand parameters
(EDPs) via finite element (FE) models, while considering earthquake and
parameter uncertainty limits the use of the Performance Based Earthquake
Engineering framework. Attempts have been made to substitute FE models with
surrogate models, however, most of these models are a function of building
parameters only. This necessitates re-training for earthquakes not previously
seen by the surrogate. In this paper, the authors propose a machine learning
based surrogate model framework, which considers both these uncertainties in
order to predict for unseen earthquakes. Accordingly,earthquakes are
characterized by their projections on an orthonormal basis, computed using SVD
of a representative ground motion suite. This enables one to generate large
varieties of earthquakes by randomly sampling these weights and multiplying
them with the basis. The weights along with the constitutive parameters serve
as inputs to a machine learning model with EDPs as the desired output. Four
competing machine learning models were tested and it was observed that a deep
neural network (DNN) gave the most accurate prediction. The framework is
validated by using it to successfully predict the peak response of one-story
and three-story buildings represented using stick models, subjected to unseen
far-field ground motions.
- Abstract（参考訳）: 地震・パラメータの不確実性を考慮した有限要素モデルによる工学的要求パラメータ(EDP)の推定は,性能ベース地震工学フレームワークの使用を制限する。
FEモデルを代理モデルに置き換える試みがなされているが、これらのモデルのほとんどはパラメータのみを構築する関数である。
これはかつてサロゲートで見られなかった地震の再訓練を必要とする。
本稿では,これらの不確実性を考慮した機械学習に基づく代理モデルフレームワークを提案する。
したがって、地震は、代表的地動スイートのSVDを用いて計算された正則なベースで予測されることで特徴付けられる。
これにより、これらの重みをランダムにサンプリングし、基礎を乗じることで、多種多様な地震を発生させることができる。
重みと構成パラメータは、EDPを所望の出力とする機械学習モデルの入力として機能する。
4つの競合する機械学習モデルがテストされ、ディープニューラルネットワーク(DNN)が最も正確な予測を行った。
この枠組みは, 遠方運動の観測対象である棒モデルを用いて, 1階建てと3階建ての建物のピーク応答の予測に有効であることを示す。
関連論文リスト
- SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。
SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。
画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
論文 参考訳（メタデータ） (2024-08-19T17:32:15Z) - A physics-informed machine learning model for reconstruction of dynamic
loads [0.0]
本稿では, 物理インフォームド・マシン・ラーニング・フレームワークを用いて, 測定された偏向, 速度, 加速度に基づいて動的力の再構成を行う。
このフレームワークは不完全で汚染されたデータを扱うことができ、ノイズ測定システムを考慮した自然な正規化手法を提供する。
開発されたフレームワークには、設計モデルと仮定、損傷検出と健康モニタリングを支援するための応答の予後が含まれる。
論文 参考訳（メタデータ） (2023-08-15T18:33:58Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - A machine learning and feature engineering approach for the prediction
of the uncontrolled re-entry of space objects [1.0205541448656992]
低地球軌道(LEO)における未制御物体の再突入予測のための深層学習モデルの開発について述べる。
このモデルはSequence-to-Sequenceアーキテクチャの修正版に基づいており、400体以上のTLE(Two-Line Element)データから得られた平均高度プロファイルに基づいて訓練されている。
この研究の斬新さは、平均高度とともに、ドラッグライクな係数(B*)、平均太陽指数、物体の面積と質量比の3つの新しい入力特徴を含むディープラーニングモデルの導入である。
論文 参考訳（メタデータ） (2023-03-17T13:53:59Z) - Forecasting the 2016-2017 Central Apennines Earthquake Sequence with a
Neural Point Process [0.0]
本研究では,短期地震活動予測にフレキシブル・ポイント・プロセス・モデルを適用することができるか検討する。
本研究では, 時間的ニューラルモデルを用いて, 震度閾値以上の地震を予測できることを示す。
論文 参考訳（メタデータ） (2023-01-24T12:15:12Z) - On generative models as the basis for digital twins [0.0]
デジタルツインや構造鏡の基礎として、生成モデルのためのフレームワークが提案されている。
この提案は、決定論的モデルは、ほとんどの構造モデリングアプリケーションに存在する不確実性を説明できないという前提に基づいている。
論文 参考訳（メタデータ） (2022-03-08T20:34:56Z) - Surrogate Modeling for Physical Systems with Preserved Properties and
Adjustable Tradeoffs [0.0]
代理モデルを生成するためのモデルベースおよびデータ駆動型戦略を提案する。
後者は、前提となる位相構造に人工的関係を組み込むことで解釈可能な代理モデルを生成する。
我々のフレームワークは、分散パラメータモデルのための様々な空間離散化スキームと互換性がある。
論文 参考訳（メタデータ） (2022-02-02T17:07:02Z) - Hessian-based toolbox for reliable and interpretable machine learning in
physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。
与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。
我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文 参考訳（メタデータ） (2021-08-04T16:32:59Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。
地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
論文 参考訳（メタデータ） (2020-02-05T10:11:26Z)
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。