論文の概要: Quantification of Damage Using Indirect Structural Health Monitoring
- arxiv url: http://arxiv.org/abs/2301.09791v1
- Date: Tue, 24 Jan 2023 02:46:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-25 14:28:03.465503
- Title: Quantification of Damage Using Indirect Structural Health Monitoring
- Title（参考訳）: 間接構造ヘルスモニタリングによる損傷の定量化
- Authors: Achyuth Madabhushi
- Abstract要約: 本研究は加速度計による損傷定量化に焦点を当てる。
橋の重量は異なるが損傷レベルは異なるが、31回の試験では20回の損傷レベルが異なる。
この方法論は、現実世界のアプリケーションでどれだけ効果的かを測定するために、この分野に応用されるべきである。
- 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: Structural health monitoring is important to make sure bridges do not fail.
Since direct monitoring can be complicated and expensive, indirect methods have
been a focus on research. Indirect monitoring can be much cheaper and easier to
conduct, however there are challenges with getting accurate results. This work
focuses on damage quantification by using accelerometers. Tests were conducted
on a model bridge and car with four accelerometers attached to to the vehicle.
Different weights were placed on the bridge to simulate different levels of
damage, and 31 tests were run for 20 different damage levels. The acceleration
data collected was normalized and a Fast-Fourier Transform (FFT) was performed
on that data. Both the normalized acceleration data and the normalized FFT data
were inputted into a Non-Linear Principal Component Analysis (separately) and
three principal components were extracted for each data set. Support Vector
Regression (SVR) and Gaussian Process Regression (GPR) were used as the
supervised machine learning methods to develop models. Multiple models were
created so that the best one could be selected, and the models were compared by
looking at their Mean Squared Errors (MSE). This methodology should be applied
in the field to measure how effective it can be in real world applications.
- Abstract（参考訳）: 橋梁が壊れないようにするため、構造的健康モニタリングが重要である。
直接監視は複雑で費用がかかるため、間接的な手法は研究に重点を置いている。
間接的な監視はより安価で実行が容易だが、正確な結果を得るためには課題がある。
本研究は加速度計による損傷定量化に焦点を当てる。
模型橋と車体に4つの加速度計が取り付けられた車両で試験が行われた。
異なる損傷レベルをシミュレートするために橋に異なる重みが置かれ、31の試験が20の異なる損傷レベルのために行われた。
収集した加速度データを正規化し,その上で高速フーリエ変換(FFT)を行った。
正規化加速度データと正規化FFTデータの両方を非線形主成分分析(それぞれ)に入力し、各データセットに対して3つの主成分を抽出した。
モデル開発のための教師付き機械学習手法として、サポートベクトル回帰(SVR)とガウスプロセス回帰(GPR)が用いられた。
複数のモデルが作成され、最良のモデルを選ぶことができ、モデルは平均二乗誤差(mse)を見て比較された。
この方法論は、現実世界のアプリケーションでどれだけ効果的かを測定するために、この分野で適用されるべきです。
関連論文リスト
- Towards Accurate Ground Plane Normal Estimation from Ego-Motion [10.22470503842832]
本稿では,車輪付き車両の地上面正規推定のための新しい手法を提案する。
実際には、地平面はブレーキと不安定な路面によって動的に変化する。
提案手法は, 実時間で正確な地平面正規ベクトルを入力し, 推定するためにオドメトリーのみを用いる。
論文 参考訳（メタデータ） (2022-12-08T12:06:36Z) - Data Models for Dataset Drift Controls in Machine Learning With Images [8.818468649062932]
主な障害モードは、トレーニングデータとデプロイメントデータの違いによるパフォーマンス低下である。
これにより、物理的に忠実なドリフトテストケースの作成や、データモデルの仕様の提供が困難になります。
これらの欠点は、物理的な光学と機械学習の堅牢性検証を組み合わせることで克服できることを示す。
論文 参考訳（メタデータ） (2022-11-04T16:50:10Z) - Real-Time Driver Monitoring Systems through Modality and View Analysis [28.18784311981388]
ドライバーの気晴らしが道路事故の主要な原因であることが知られている。
State-of-the-artメソッドはレイテンシを無視しながら精度を優先する。
本稿では,ビデオフレーム間の時間的関係を無視した時間効率な検出モデルを提案する。
論文 参考訳（メタデータ） (2022-10-17T21:22:41Z) - Resolving Class Imbalance for LiDAR-based Object Detector by Dynamic
Weight Average and Contextual Ground Truth Sampling [7.096611243139798]
実世界の運転データセットは、しばしばデータ不均衡の問題に悩まされる。
このデータ不均衡問題に対処する手法を提案する。
KITTIおよびnuScenesデータセットを用いた実験により,提案手法の有効性が確認された。
論文 参考訳（メタデータ） (2022-10-07T05:23:25Z) - Benchmarking the Robustness of LiDAR-Camera Fusion for 3D Object
Detection [58.81316192862618]
自律運転における3D知覚のための2つの重要なセンサーは、カメラとLiDARである。
これら2つのモダリティを融合させることで、3次元知覚モデルの性能を大幅に向上させることができる。
我々は、最先端の核融合法を初めてベンチマークした。
論文 参考訳（メタデータ） (2022-05-30T09:35:37Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - 3D-VField: Learning to Adversarially Deform Point Clouds for Robust 3D
Object Detection [111.32054128362427]
安全クリティカルな環境では、アウト・オブ・ディストリビューションとロングテールサンプルの堅牢性は、危険な問題を回避するのに不可欠である。
トレーニング中の変形点雲を考慮した3次元物体検出器の領域外データへの一般化を著しく改善する。
我々は、リアルに損傷を受けた稀な車の合成データセットであるCrashDを提案し、共有する。
論文 参考訳（メタデータ） (2021-12-09T08:50:54Z) - Tracking the risk of a deployed model and detecting harmful distribution
shifts [105.27463615756733]
実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。
我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
論文 参考訳（メタデータ） (2021-10-12T17:21:41Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - Simple statistical methods for unsupervised brain anomaly detection on
MRI are competitive to deep learning methods [0.0]
磁気共鳴画像(MRI)の統計的分析は、放射線医が見逃される可能性が低い病態を検出するのに役立つ。
深層学習(DL)は、脳異常検出のための複雑な空間データモデリングにおいて有望であることを示す。
そこで本研究では, DL等価な3次元畳み込みオートエンコーダの性能を, 教師なしの病理診断において達成できることを示す。
論文 参考訳（メタデータ） (2020-11-25T13:45:11Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
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。