論文の概要: Conditional deep generative models as surrogates for spatial field
solution reconstruction with quantified uncertainty in Structural Health
Monitoring applications
- arxiv url: http://arxiv.org/abs/2302.08329v1
- Date: Tue, 14 Feb 2023 20:13:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-17 13:39:32.188703
- Title: Conditional deep generative models as surrogates for spatial field
solution reconstruction with quantified uncertainty in Structural Health
Monitoring applications
- Title（参考訳）: 構造健康モニタリングアプリケーションにおける空間解再構成のための条件付き深部生成モデル
- Authors: Nicholas E. Silionis and Theodora Liangou and Konstantinos N.
Anyfantis
- Abstract要約: 構造健康モニタリング(SHM)に関わる問題では,高次元データの処理と不確実性の定量化の両方が可能なモデルが必要である。
本稿では,そのような応用と高次元構造シミュレーションを主目的とした条件付き深部生成モデルを提案する。
このモデルは、参照有限要素(FE)ソリューションと比較して高い再構成精度を達成でき、同時に負荷不確実性を符号化することに成功した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In recent years, increasingly complex computational models are being built to
describe physical systems which has led to increased use of surrogate models to
reduce computational cost. In problems related to Structural Health Monitoring
(SHM), models capable of both handling high-dimensional data and quantifying
uncertainty are required. In this work, our goal is to propose a conditional
deep generative model as a surrogate aimed at such applications and
high-dimensional stochastic structural simulations in general. To that end, a
conditional variational autoencoder (CVAE) utilizing convolutional neural
networks (CNNs) is employed to obtain reconstructions of spatially ordered
structural response quantities for structural elements that are subjected to
stochastic loading. Two numerical examples, inspired by potential SHM
applications, are utilized to demonstrate the performance of the surrogate. The
model is able to achieve high reconstruction accuracy compared to the reference
Finite Element (FE) solutions, while at the same time successfully encoding the
load uncertainty.
- Abstract（参考訳）: 近年、物理システムを記述するために複雑な計算モデルが作られており、計算コストを削減するためにサロゲートモデルの利用が増加している。
構造健康モニタリング(SHM)に関わる問題では,高次元データの処理と不確実性の定量化の両方が可能なモデルが必要である。
本研究の目的は,そのような応用と高次元確率構造シミュレーションを主目的とした条件付き深部生成モデルを提案することである。
この目的のために、畳み込みニューラルネットワーク(CNN)を用いた条件変分オートエンコーダ(CVAE)を用いて、確率的負荷を受ける構造要素に対する空間的に順序付けられた構造応答量の再構成を行う。
SHMの潜在的な応用にインスパイアされた2つの数値例を用いて、サロゲートの性能を実証する。
このモデルは、参照有限要素(FE)ソリューションと比較して高い再構成精度を達成でき、同時に負荷不確実性を符号化することに成功した。
関連論文リスト
- Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。
私たちのフレームワークは、3つの新しい目標のファミリーにつながります。
Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
論文 参考訳（メタデータ） (2024-10-10T17:18:30Z) - Shallow Recurrent Decoder for Reduced Order Modeling of Plasma Dynamics [2.9320342785886973]
我々は,エマシャローリカレントデコーダ(SH)アーキテクチャに基づくモデル削減手法を開発した。
変数の分離の理論に基づいて、SHREDアーキテクチャは3点のセンサーでフルタイムフィールドを再構築することができる。
論文 参考訳（メタデータ） (2024-05-20T11:21:23Z) - Symplectic Autoencoders for Model Reduction of Hamiltonian Systems [0.0]
長期の数値安定性を確保するためには,システムに関連するシンプレクティックな構造を維持することが重要である。
本稿では,次元削減のための確立されたツールであるオートエンコーダの精神の中で,新しいニューラルネットワークアーキテクチャを提案する。
ネットワークのトレーニングには,非標準勾配降下法を適用した。
論文 参考訳（メタデータ） (2023-12-15T18:20:25Z) - Recurrent neural networks and transfer learning for elasto-plasticity in
woven composites [0.0]
本稿では, 織物のメソスケールシミュレーションの代用として, リカレントニューラルネットワーク(RNN)モデルを提案する。
平均場モデルは、弾塑性挙動を表す包括的データセットを生成する。
シミュレーションでは、任意の6次元ひずみヒストリーを用いて、ランダムウォーキング時の応力を原課題として、循環荷重条件を目標課題として予測する。
論文 参考訳（メタデータ） (2023-11-22T14:47:54Z) - Low-dimensional Data-based Surrogate Model of a Continuum-mechanical
Musculoskeletal System Based on Non-intrusive Model Order Reduction [0.0]
データ駆動型モデルオーダーリダクションを用いた代理モデルのような従来の手法は、高忠実度モデルをより広く利用するために用いられる。
ヒト上腕部の複素有限要素モデルに対する代理モデル手法の利点を実証する。
論文 参考訳（メタデータ） (2023-02-13T17:14:34Z) - Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。
また、局所的な一貫性の結果に基づいた理論的保証も提供する。
この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
論文 参考訳（メタデータ） (2022-11-17T15:48:06Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z) - 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) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳（メタデータ） (2020-10-05T20:03:13Z)
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。