論文の概要: Surrogate modeling for stochastic crack growth processes in structural health monitoring applications

• arxiv url: http://arxiv.org/abs/2310.07241v1
• Date: Wed, 11 Oct 2023 07:13:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 23:53:29.484679
• Title: Surrogate modeling for stochastic crack growth processes in structural health monitoring applications
• Title（参考訳）: 構造的健康モニタリング応用における確率的き裂成長過程のサロゲートモデリング
• Authors: Nicholas E. Silionis, Konstantinos N. Anyfantis
• Abstract要約: 疲労き裂成長は、金属構造物において最も一般的な種類の劣化の1つである。 構造的健康モニタリングの最近の進歩は、構造的応答データを用いて、不確実性の下での将来の亀裂成長を予測することの動機となっている。
• 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: Fatigue crack growth is one of the most common types of deterioration in metal structures with significant implications on their reliability. Recent advances in Structural Health Monitoring (SHM) have motivated the use of structural response data to predict future crack growth under uncertainty, in order to enable a transition towards predictive maintenance. Accurately representing different sources of uncertainty in stochastic crack growth (SCG) processes is a non-trivial task. The present work builds on previous research on physics-based SCG modeling under both material and load-related uncertainty. The aim here is to construct computationally efficient, probabilistic surrogate models for SCG processes that successfully encode these different sources of uncertainty. An approach inspired by latent variable modeling is employed that utilizes Gaussian Process (GP) regression models to enable the surrogates to be used to generate prior distributions for different Bayesian SHM tasks as the application of interest. Implementation is carried out in a numerical setting and model performance is assessed for two fundamental crack SHM problems; namely crack length monitoring (damage quantification) and crack growth monitoring (damage prognosis).
• Abstract（参考訳）: 疲労き裂の成長は、金属構造物の劣化の最も一般的なタイプの一つであり、信頼性に大きな影響を及ぼす。 構造的健康モニタリング(SHM)の最近の進歩は、構造的応答データを用いて、不確実性の下での将来の亀裂成長を予測し、予測保守への移行を可能にする。 確率的き裂成長(SCG)過程における異なる不確実性源の正確な表現は、非自明な作業である。 本研究は, 物質および負荷関係の不確実性を考慮した物理に基づくSCGモデリングに関する過去の研究に基づいている。 ここでの目的は、これらの異なる不確実性の源をうまくエンコードするSCGプロセスの計算効率よく確率的サロゲートモデルを構築することである。 遅延変数モデリングにインスパイアされたアプローチは、ガウス過程(GP)回帰モデルを用いて、異なるベイズSHMタスクに対する先行分布を生成するためにサロゲートを使うことができる。 2つの基本的な亀裂SHM問題,すなわち亀裂長モニタリング(損傷定量化)と亀裂成長モニタリング(損傷予後)について,数値的な設定で実装を行い,モデル性能を評価する。

関連論文リスト

• Robust Time Series Causal Discovery for Agent-Based Model Validation [5.430532390358285]
  本研究では、ABM検証のための因果構造学習を強化するために、ロバストクロスバリデーション(RCV)アプローチを提案する。 RCV-VarLiNGAM と RCV-PCMCI を開発した。 提案手法は、拡張されたABM検証フレームワークに統合される。
  論文  参考訳（メタデータ） (2024-10-25T09:13:26Z)
• Constrained Recurrent Bayesian Forecasting for Crack Propagation [0.40964539027092917]
  本稿では,レール上のひび割れ長さの時間的変化を予測するために,頑健なベイズ多水平法を提案する。 鉄道整備におけるモデルの信頼性を高めるため、具体的な制約が組み込まれている。 この結果から,予測精度と制約コンプライアンスのトレードオフが明らかとなり,モデルトレーニングにおける不確実な意思決定プロセスが浮き彫りになった。
  論文  参考訳（メタデータ） (2024-10-18T13:15:53Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Conditional deep generative models as surrogates for spatial field solution reconstruction with quantified uncertainty in Structural Health Monitoring applications [0.0]
  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。
  論文  参考訳（メタデータ） (2023-02-14T20:13:24Z)
• Score-based Causal Representation Learning with Interventions [54.735484409244386]
  本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。 目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
  論文  参考訳（メタデータ） (2023-01-19T18:39:48Z)
• Stability and Generalization Analysis of Gradient Methods for Shallow Neural Networks [59.142826407441106]
  本稿では,アルゴリズム安定性の概念を活用して,浅層ニューラルネットワーク(SNN)の一般化挙動について検討する。 我々は、SNNを訓練するために勾配降下(GD)と勾配降下(SGD)を考慮する。
  論文  参考訳（メタデータ） (2022-09-19T18:48:00Z)
• On an Application of Generative Adversarial Networks on Remaining Lifetime Estimation [0.0]
  構造物の損傷進展を予測するために, 生成モデルを提案する。 このモデルは、損傷された構造の過去の多くの状態を考慮することができ、モデリングプロセスに不確実性を組み込んで、潜在的な損傷進化結果を生成することができる。 このアルゴリズムは、シミュレーションされた損傷進化の例でテストされ、その結果、集団内の構造物の残りの有用な寿命について、極めて確実な予測が可能であることが明らかになった。
  論文  参考訳（メタデータ） (2022-08-18T06:54:41Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)
• Model Uncertainty Quantification for Reliable Deep Vision Structural Health Monitoring [2.5126058470073263]
  本稿では,深部視覚構造型健康モニタリングモデルに対するベイズ推定を提案する。 不確かさはモンテカルロのドロップアウトサンプリングを用いて定量化することができる。 き裂, 局部損傷同定, 橋梁部品検出の3つの独立したケーススタディについて検討した。
  論文  参考訳（メタデータ） (2020-04-10T17:54:10Z)

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。