論文の概要: Deep learning for structural health monitoring: An application to
heritage structures
- arxiv url: http://arxiv.org/abs/2211.10351v1
- Date: Fri, 4 Nov 2022 10:17:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-27 13:36:32.798772
- Title: Deep learning for structural health monitoring: An application to
heritage structures
- Title(参考訳): 構造的健康モニタリングのための深層学習 : 遺産構造への応用
- Authors: Fabio Carrara, Fabrizio Falchi, Maria Girardi, Nicola Messina,
Cristina Padovani, Daniele Pellegrini
- Abstract要約: ルッカのサン・フレディアーノ・ベル・タワーに記録された大規模なデータセットの異常を検査・検出するために,近年の深層学習技術を用いて時系列予測を行った。
我々は、この問題を教師なしの異常検出タスクとしてフレーム化し、テンポラルフュージョン変換器を訓練して、構造物の正常なダイナミクスを学習する。
- 参考スコア(独自算出の注目度): 7.174187754917523
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Thanks to recent advancements in numerical methods, computer power, and
monitoring technology, seismic ambient noise provides precious information
about the structural behavior of old buildings. The measurement of the
vibrations produced by anthropic and environmental sources and their use for
dynamic identification and structural health monitoring of buildings initiated
an emerging, cross-disciplinary field engaging seismologists, engineers,
mathematicians, and computer scientists. In this work, we employ recent deep
learning techniques for time-series forecasting to inspect and detect anomalies
in the large dataset recorded during a long-term monitoring campaign conducted
on the San Frediano bell tower in Lucca. We frame the problem as an
unsupervised anomaly detection task and train a Temporal Fusion Transformer to
learn the normal dynamics of the structure. We then detect the anomalies by
looking at the differences between the predicted and observed frequencies.
- Abstract(参考訳): 近年の数値手法, コンピュータパワー, 監視技術の進歩により, 地震環境騒音は古い建物の構造的挙動に関する貴重な情報を提供する。
人為的・環境的な情報源による振動の測定と、建物の動的識別と構造的健康モニタリングの使用により、地震学者、技術者、数学者、計算機科学者が関与する新たな分野が誕生した。
本研究では,最近のディープラーニング技術を用いて時系列予測を行い,ルッカのサンフレディアーノ・ベル・タワーで実施した長期監視活動中に記録された大規模データセットの異常を検証・検出する。
問題を教師なし異常検出タスクとしてフレーム化し,時間的融合トランスフォーマを訓練し,構造の正常なダイナミクスを学習する。
次に,予測周波数と観測周波数の差を見て異常を検出する。
関連論文リスト
- Progressing from Anomaly Detection to Automated Log Labeling and
Pioneering Root Cause Analysis [53.24804865821692]
本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。
この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
論文 参考訳(メタデータ) (2023-12-22T15:04:20Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳(メタデータ) (2022-11-16T21:31:39Z) - Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。
時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。
本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
論文 参考訳(メタデータ) (2022-11-09T22:40:22Z) - Self-Supervised Masked Convolutional Transformer Block for Anomaly
Detection [122.4894940892536]
本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。
本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
論文 参考訳(メタデータ) (2022-09-25T04:56:10Z) - Training Process of Unsupervised Learning Architecture for Gravity Spy
Dataset [2.8555963243398073]
重力波検出器のデータに現れる過渡ノイズは、しばしば問題を引き起こす。
過渡ノイズは環境や機器と関連していると考えられているため、その分類は、その起源を理解し、検出器の性能を向上させるのに役立つだろう。
前報では、教師なしディープラーニングと変分オートエンコーダと不変情報クラスタリングを組み合わせた、時間周波数2次元画像(分光図)を用いた過渡雑音の分類アーキテクチャを提案する。
先進レーザ干渉計重力波観測装置(Advanced Laser Interferometer Gravitational-Wave Observatory)からなる重力スピーデータセットに,教師なし学習アーキテクチャを適用した。
論文 参考訳(メタデータ) (2022-08-07T02:51:36Z) - Learning Citywide Patterns of Life from Trajectory Monitoring [0.0]
異常データストリームを監視し、時間とともに正常なパターンを明示的に抽出することで、生活パターンを学習する。
ポルト・タクシーのデータセットから、主要な祝日と新たに発見された輸送異常の両方を含む、興味あるパターンを抽出する。
スマートシティや自動運転車,都市計画・管理など,多くの分野において,正常・異常な道路交通行動の段階的な学習能力が期待できる。
論文 参考訳(メタデータ) (2022-06-30T15:28:15Z) - Anomaly Detection using Edge Computing in Video Surveillance System:
Review [0.0]
スマートシティの概念は、都市計画者や研究者に近代的で安全で持続可能なインフラを提供し、住民にまともな生活の質を与えるよう影響を与えている。
このニーズを満たすために、市民の安全と幸福を高めるために、ビデオ監視カメラが配備されている。
現代科学の技術的発展にもかかわらず、監視ビデオシステムにおける異常事象の検出は困難であり、徹底的な人間の努力を必要とする。
論文 参考訳(メタデータ) (2021-07-06T17:41:56Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳(メタデータ) (2020-09-16T15:52:04Z) - Applications of shapelet transform to time series classification of
earthquake, wind and wave data [0.0]
「シェープレット変換」は時系列列の形状の局所的類似性に基づく。
理解可能な特徴と透過的なアルゴリズムを備えた「ホワイトボックス」機械学習モデルを提案する。
モデルはドメインの実践者の介入なしにイベント検出を自動化する。
論文 参考訳(メタデータ) (2020-04-22T10:17:24Z) - A Review of Vibration-Based Damage Detection in Civil Structures: From
Traditional Methods to Machine Learning and Deep Learning Applications [20.47375627883094]
構造物の寿命維持と維持には, 構造物の損傷モニタリングが極めて重要である。
機械学習(ML)や、特にディープラーニング(DL)アルゴリズムは、過去10年間のコンピューティングパワーとセンサー技術の発展に伴い、振動に基づく構造的損傷検出において、より実現可能で広範囲に使用されている。
本稿では,従来の手法のハイライトと,振動による土木構造物の損傷検出に利用したMLおよびDLアルゴリズムの最近の応用を概観する。
論文 参考訳(メタデータ) (2020-04-09T05:39:21Z)
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。