論文の概要: On an Application of Generative Adversarial Networks on Remaining Lifetime Estimation

• arxiv url: http://arxiv.org/abs/2208.08666v1
• Date: Thu, 18 Aug 2022 06:54:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-19 13:22:03.788033
• Title: On an Application of Generative Adversarial Networks on Remaining Lifetime Estimation
• Title（参考訳）: 生成型adversarial networkの残存寿命推定への応用について
• Authors: G. Tsialiamanis, D. Wagg, N. Dervilis, K. Worden
• Abstract要約: 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。
• 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: A major problem of structural health monitoring (SHM) has been the prognosis of damage and the definition of the remaining useful life of a structure. Both tasks depend on many parameters, many of which are often uncertain. Many models have been developed for the aforementioned tasks but they have been either deterministic or stochastic with the ability to take into account only a restricted amount of past states of the structure. In the current work, a generative model is proposed in order to make predictions about the damage evolution of structures. The model is able to perform in a population-based SHM (PBSHM) framework, to take into account many past states of the damaged structure, to incorporate uncertainties in the modelling process and to generate potential damage evolution outcomes according to data acquired from a structure. The algorithm is tested on a simulated damage evolution example and the results reveal that it is able to provide quite confident predictions about the remaining useful life of structures within a population.
• Abstract（参考訳）: 構造的健康モニタリング(SHM)の大きな問題は、損傷の予後と、構造物の残りの有用寿命の定義である。 どちらのタスクも多くのパラメータに依存しており、その多くは不確かであることが多い。 上記のタスクのために多くのモデルが開発されたが、それらは決定論的あるいは確率的であり、構造の過去の状態の限られた量だけを考慮に入れることができる。 本研究では, 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、人口ベースSHM(PBSHM)フレームワークを用いて、損傷構造の過去の多くの状態を考慮し、モデリングプロセスに不確実性を組み込んで、構造から取得したデータに基づいて潜在的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。

関連論文リスト

• Towards an active-learning approach to resource allocation for population-based damage prognosis [0.0]
  損傷予後は、構造的健康モニタリング(SHM)の最も難しい課題の1つである。 損傷予後の一般的な問題に対処するために,本研究では,集団ベースのSHMアプローチが採用されている。 予後問題は、過去の構造からのデータを活用して、現在劣化している構造に関するより正確な推測を行う情報共有問題であると考えられている。
  論文  参考訳（メタデータ） (2024-09-27T09:15:44Z)
• Surrogate modeling for stochastic crack growth processes in structural health monitoring applications [0.0]
  疲労き裂成長は、金属構造物において最も一般的な種類の劣化の1つである。 構造的健康モニタリングの最近の進歩は、構造的応答データを用いて、不確実性の下での将来の亀裂成長を予測することの動機となっている。
  論文  参考訳（メタデータ） (2023-10-11T07:13:16Z)
• 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)
• Neural Causal Models for Counterfactual Identification and Estimation [62.30444687707919]
  本稿では,ニューラルモデルによる反事実文の評価について検討する。 まず、神経因果モデル(NCM)が十分に表現可能であることを示す。 第2に,反事実分布の同時同定と推定を行うアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-09-30T18:29:09Z)
• 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)
• The Causal Neural Connection: Expressiveness, Learnability, and Inference [125.57815987218756]
  構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。 本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。 我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
  論文  参考訳（メタデータ） (2021-07-02T01:55:18Z)
• Adversarial Attack and Defense of Structured Prediction Models [58.49290114755019]
  本論文では,NLPにおける構造化予測タスクに対する攻撃と防御について検討する。 構造化予測モデルの構造化出力は、入力中の小さな摂動に敏感である。 本稿では,シーケンス・ツー・シーケンス・モデルを用いて,構造化予測モデルへの攻撃を学習する,新規で統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-04T15:54:03Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)
• Sparse representation for damage identification of structural systems [11.397437423613418]
  モデル更新とスパース損傷識別のための2段階感度解析に基づく新しいフレームワークを提案する。 次に、準$ell法上に構築されたスパース表現パイプラインを、損傷と局所化定量化のために提示する。 提案手法は, 構造損傷の局所化と定量化の両方を高精度に行うことができることを示す。
  論文  参考訳（メタデータ） (2020-06-06T18:04:35Z)
• Model Uncertainty Quantification for Reliable Deep Vision Structural Health Monitoring [2.5126058470073263]
  本稿では,深部視覚構造型健康モニタリングモデルに対するベイズ推定を提案する。 不確かさはモンテカルロのドロップアウトサンプリングを用いて定量化することができる。 き裂, 局部損傷同定, 橋梁部品検出の3つの独立したケーススタディについて検討した。
  論文  参考訳（メタデータ） (2020-04-10T17:54:10Z)

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。