論文の概要: MAntRA: A framework for model agnostic reliability analysis
- arxiv url: http://arxiv.org/abs/2212.06303v1
- Date: Tue, 13 Dec 2022 00:57:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 14:21:59.590248
- Title: MAntRA: A framework for model agnostic reliability analysis
- Title(参考訳): MAntRA:モデルに依存しない信頼性分析のためのフレームワーク
- Authors: Yogesh Chandrakant Mathpati and Kalpesh Sanjay More and Tapas Tripura
and Rajdip Nayek and Souvik Chakraborty
- Abstract要約: 時間依存型信頼性解析のための新しいモデルデータ駆動型信頼性解析フレームワークを提案する。
提案手法は、解釈可能な機械学習、ベイズ統計、動的方程式の同定を組み合わせたものである。
以上の結果から,提案手法の信頼性評価への応用の可能性が示唆された。
- 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: We propose a novel model agnostic data-driven reliability analysis framework
for time-dependent reliability analysis. The proposed approach -- referred to
as MAntRA -- combines interpretable machine learning, Bayesian statistics, and
identifying stochastic dynamic equation to evaluate reliability of
stochastically-excited dynamical systems for which the governing physics is
\textit{apriori} unknown. A two-stage approach is adopted: in the first stage,
an efficient variational Bayesian equation discovery algorithm is developed to
determine the governing physics of an underlying stochastic differential
equation (SDE) from measured output data. The developed algorithm is efficient
and accounts for epistemic uncertainty due to limited and noisy data, and
aleatoric uncertainty because of environmental effect and external excitation.
In the second stage, the discovered SDE is solved using a stochastic
integration scheme and the probability failure is computed. The efficacy of the
proposed approach is illustrated on three numerical examples. The results
obtained indicate the possible application of the proposed approach for
reliability analysis of in-situ and heritage structures from on-site
measurements.
- Abstract(参考訳): 時間依存信頼度解析のための新しいモデル非依存データ駆動信頼度解析フレームワークを提案する。
マントラと呼ばれるこのアプローチは、解釈可能な機械学習、ベイズ統計学、確率的動的方程式の同定を組み合わせることで、支配物理学が\textit{apriori} 未知である確率的励起力学系の信頼性を評価する。
最初の段階では、測定された出力データから基礎となる確率微分方程式(SDE)の制御物理を決定するために、効率的な変分ベイズ方程式探索アルゴリズムが開発された。
提案手法は,環境効果と外部励振による環境不確実性,雑音データによる認識の不確かさを考慮し,効率的なアルゴリズムである。
第2段階では、確率積分スキームを用いて発見されたSDEを解き、確率失敗を算出する。
提案手法の有効性を3つの数値例に示す。
その結果, 現場計測から, 現場および遺産の信頼性分析への提案手法の適用可能性が示唆された。
関連論文リスト
- Statistical Mechanics of Dynamical System Identification [3.1484174280822845]
我々はスパース方程式探索アルゴリズムを統計的に解析する手法を開発した。
このフレームワークでは、統計力学は複雑さとフィットネスの間の相互作用を分析するためのツールを提供する。
論文 参考訳(メタデータ) (2024-03-04T04:32:28Z) - Towards stable real-world equation discovery with assessing
differentiating quality influence [52.2980614912553]
一般的に用いられる有限差分法に代わる方法を提案する。
我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
論文 参考訳(メタデータ) (2023-11-09T23:32:06Z) - Data-Driven Reachability Analysis of Stochastic Dynamical Systems with
Conformal Inference [1.446438366123305]
共形推論を用いた離散時間力学系のデータ駆動型到達可能性解析について考察する。
複雑な閉ループ力学を持つ学習可能な制御系に着目する。
論文 参考訳(メタデータ) (2023-09-17T07:23:01Z) - An information field theory approach to Bayesian state and parameter
estimation in dynamical systems [0.0]
本稿では、連続時間決定論的力学系に適した状態とパラメータ推定のためのスケーラブルなベイズ的手法を開発する。
システム応答の関数空間に物理インフォームドされた事前確率測度を構築し、物理を満たす関数がより高い確率で現れるようにする。
論文 参考訳(メタデータ) (2023-06-03T16:36:43Z) - Deep Learning Aided Laplace Based Bayesian Inference for Epidemiological
Systems [2.596903831934905]
本稿では,Laplace をベースとしたベイズ推定と ANN アーキテクチャを併用して ODE 軌道の近似を求めるハイブリッド手法を提案する。
本手法の有効性を,非分析的ソリューションを用いた疫学システム,Susceptible-Infectious-Demoved (SIR) モデルを用いて実証した。
論文 参考訳(メタデータ) (2022-10-17T09:02:41Z) - A Priori Denoising Strategies for Sparse Identification of Nonlinear
Dynamical Systems: A Comparative Study [68.8204255655161]
本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。
一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-01-29T23:31:25Z) - Dense Uncertainty Estimation via an Ensemble-based Conditional Latent
Variable Model [68.34559610536614]
我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。
そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。
以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
論文 参考訳(メタデータ) (2021-11-22T08:54:10Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳(メタデータ) (2021-05-17T08:36:18Z) - Accurate and Reliable Forecasting using Stochastic Differential
Equations [48.21369419647511]
ディープラーニングモデルにとって、現実世界の環境に浸透する不確実性を適切に特徴付けることは、非常に困難である。
本論文では,HNNの予測平均と分散の相互作用を特徴づけるSDE-HNNを開発した。
本手法は,予測性能と不確実性定量化の両方の観点から,最先端のベースラインを著しく上回ることを示す。
論文 参考訳(メタデータ) (2021-03-28T04:18:11Z) - Automatic Differentiation to Simultaneously Identify Nonlinear Dynamics
and Extract Noise Probability Distributions from Data [4.996878640124385]
SINDyは時系列データから類似の動的モデルや方程式を発見するためのフレームワークである。
自動微分と最近のRudyらによって制約されたタイムステッピングを統合したSINDyアルゴリズムの変種を開発する。
本手法は,ガウス分布,一様分布,ガンマ分布,レイリー分布などの確率分布の多様性を同定できることを示す。
論文 参考訳(メタデータ) (2020-09-12T23:52:25Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳(メタデータ) (2020-07-07T18:25:25Z)
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。