論文の概要: Physics-based Reduced Order Modeling for Uncertainty Quantification of
Guided Wave Propagation using Bayesian Optimization
- arxiv url: http://arxiv.org/abs/2307.09661v1
- Date: Tue, 18 Jul 2023 22:03:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-20 16:07:35.106811
- Title: Physics-based Reduced Order Modeling for Uncertainty Quantification of
Guided Wave Propagation using Bayesian Optimization
- Title（参考訳）: ベイズ最適化を用いた導波路の不確かさ定量化のための物理モデル
- Authors: G. I. Drakoulas, T. V. Gortsas, D. Polyzos
- Abstract要約: ガイド波伝搬(GWP)は、構造健康モニタリング(SHM)における構造物の検査に一般的に用いられる。
不確実量化(UQ)は、予測の信頼性を向上させるために定期的に適用される。
本稿では,機械学習(ML)に基づくリダクションオーダーモデル(ROM)を提案し,GWPのシミュレーションに関する計算時間を短縮する。
- 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: In the context of digital twins, structural health monitoring (SHM)
constitutes the backbone of condition-based maintenance, facilitating the
interconnection between virtual and physical assets. Guided wave propagation
(GWP) is commonly employed for the inspection of structures in SHM. However,
GWP is sensitive to variations in the material properties of the structure,
leading to false alarms. In this direction, uncertainty quantification (UQ) is
regularly applied to improve the reliability of predictions. Computational
mechanics is a useful tool for the simulation of GWP, and is often applied for
UQ. Even so, the application of UQ methods requires numerous simulations, while
large-scale, transient numerical GWP solutions increase the computational cost.
Reduced order models (ROMs) are commonly employed to provide numerical results
in a limited amount of time. In this paper, we propose a machine learning
(ML)-based ROM, mentioned as BO-ML-ROM, to decrease the computational time
related to the simulation of the GWP. The ROM is integrated with a Bayesian
optimization (BO) framework, to adaptively sample the parameters for the ROM
training. The finite element method is used for the simulation of the
high-fidelity models. The formulated ROM is used for forward UQ of the GWP in
an aluminum plate with varying material properties. To determine the influence
of each parameter perturbation, a global, variance-based sensitivity analysis
is implemented based on Sobol' indices. It is shown that Bayesian optimization
outperforms one-shot sampling methods, both in terms of accuracy and speed-up.
The predicted results reveal the efficiency of BO-ML-ROM for GWP and
demonstrate its value for UQ.
- Abstract（参考訳）: デジタル双生児の文脈では、構造的健康監視(SHM)が状態ベースのメンテナンスのバックボーンを構成し、仮想資産と物理資産の相互接続を促進する。
ガイド波伝搬(GWP)はSHMの構造検査に一般的に用いられる。
しかし、gwpは構造の物質的性質の変化に敏感であり、誤報を引き起こしている。
この方向では、予測の信頼性を向上させるために不確実性定量化(UQ)が定期的に適用される。
計算力学はGWPのシミュレーションに有用なツールであり、しばしばUQに応用される。
それでも、UQ法の適用には多数のシミュレーションが必要であるが、大規模で過渡的な数値GWPソリューションは計算コストを増大させる。
還元次数モデル(ROM)は、限られた時間で数値結果を提供するために一般的に用いられる。
本稿では,機械学習(ML)ベースのROMであるBO-ML-ROMを提案し,GWPのシミュレーションに関する計算時間を短縮する。
ROMはベイズ最適化(BO)フレームワークと統合され、ROMトレーニングのパラメータを適応的にサンプリングする。
有限要素法は高忠実度モデルのシミュレーションに使用される。
成形されたROMは、材料特性の異なるアルミニウム板におけるGWPの前方UQに用いられる。
各パラメータの摂動の影響を決定するために、sobolの指標に基づいてグローバル分散に基づく感度解析を行う。
ベイズ最適化は,精度と高速化の両面において,単発サンプリング法よりも優れていた。
その結果,GWPにおけるBO-ML-ROMの有効性が明らかとなり,UQに対する価値が示された。
関連論文リスト
- Advancing Machine Learning in Industry 4.0: Benchmark Framework for Rare-event Prediction in Chemical Processes [0.0]
本稿では,様々な複雑さのMLアルゴリズムを比較し,レアイベント予測のための新しい総合的ベンチマークフレームワークを提案する。
異常事象を予測するための最適ML戦略を特定し,より安全で信頼性の高いプラント操作を実現する。
論文 参考訳（メタデータ） (2024-08-31T15:41:10Z) - AdaLog: Post-Training Quantization for Vision Transformers with Adaptive Logarithm Quantizer [54.713778961605115]
Vision Transformer (ViT) はコンピュータビジョンコミュニティにおいて最も普及しているバックボーンネットワークの1つである。
本稿では,AdaLog(Adaptive Logarithm AdaLog)量子化器を提案する。
論文 参考訳（メタデータ） (2024-07-17T18:38:48Z) - Machine Learning Optimized Approach for Parameter Selection in MESHFREE Simulations [0.0]
従来のメッシュベースのアプローチに代わる魅力的な代替手段として、メッシュフリーシミュレーション手法が登場している。
機械学習(ML)とFraunhoferのMESHFREEソフトウェアを組み合わせた研究の概要について概説する。
本稿では,MESHFREEシミュレーションデータに能動的学習,回帰木を用いたML最適化手法を提案する。
論文 参考訳（メタデータ） (2024-03-20T15:29:59Z) - Graph Network Surrogate Model for Subsurface Flow Optimization [2.5782420501870296]
井戸の位置と制御の最適化は、地下流れの操作の設計において重要なステップである。
本稿では,適切な配置と制御を最適化するためのグラフネットワーク代理モデル(GNSM)を提案する。
GNSMは、フローモデルを符号化-処理-復号アーキテクチャを含む計算グラフに変換する。
論文 参考訳（メタデータ） (2023-12-14T03:13:12Z) - Automated Federated Learning in Mobile Edge Networks -- Fast Adaptation
and Convergence [83.58839320635956]
フェデレートラーニング(FL)は、モバイルエッジネットワークで機械学習モデルを分散的にトレーニングするために使用することができる。
最近のFLは、モデルに依存しないメタラーニング(MAML)フレームワークで解釈されている。
本稿は,MAMLがFLにもたらすメリットと,モバイルエッジネットワーク上でのメリットの最大化について論じる。
論文 参考訳（メタデータ） (2023-03-23T02:42:10Z) - Support Vector Machine for Determining Euler Angles in an Inertial
Navigation System [55.41644538483948]
本稿では,機械学習(ML)法を用いたMEMSセンサを用いた慣性ナビゲーションシステムの精度向上について論じる。
提案アルゴリズムは,MEMSセンサに典型的なノイズの存在を正しく分類できることを実証した。
論文 参考訳（メタデータ） (2022-12-07T10:01:11Z) - Self-learning locally-optimal hypertuning using maximum entropy, and
comparison of machine learning approaches for estimating fatigue life in
composite materials [0.0]
疲労損傷を予測するための最大エントロピーの原理に基づくML近傍近似アルゴリズムを開発した。
予測は、他のMLアルゴリズムと同様、高いレベルの精度を達成する。
論文 参考訳（メタデータ） (2022-10-19T12:20:07Z) - Green, Quantized Federated Learning over Wireless Networks: An
Energy-Efficient Design [68.86220939532373]
有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。
提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
論文 参考訳（メタデータ） (2022-07-19T16:37:24Z) - Collaborative Intelligent Reflecting Surface Networks with Multi-Agent
Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。
本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文 参考訳（メタデータ） (2022-03-26T20:37:14Z) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳（メタデータ） (2020-11-14T01:27:32Z) - Designing Accurate Emulators for Scientific Processes using
Calibration-Driven Deep Models [33.935755695805724]
Learn-by-Calibrating (LbC)は、科学応用においてエミュレータを設計するための新しいディープラーニングアプローチである。
また,LbCは広く適応された損失関数の選択に対して,一般化誤差を大幅に改善することを示した。
LbCは、小さなデータレギュレータでも高品質なエミュレータを実現し、さらに重要なことは、明確な事前条件なしで固有のノイズ構造を復元する。
論文 参考訳（メタデータ） (2020-05-05T16:54:11Z)
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。