論文の概要: Mechanics-Informed Autoencoder Enables Automated Detection and Localization of Unforeseen Structural Damage
- arxiv url: http://arxiv.org/abs/2402.15492v2
- Date: Thu, 18 Jul 2024 06:29:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-19 21:31:34.489948
- Title: Mechanics-Informed Autoencoder Enables Automated Detection and Localization of Unforeseen Structural Damage
- Title（参考訳）: 機械インフォームドオートエンコーダは、予期せぬ構造損傷の自動検出と位置決めを可能にする
- Authors: Xuyang Li, Hamed Bolandi, Mahdi Masmoudi, Talal Salem, Nizar Lajnef, Vishnu Naresh Boddeti,
- Abstract要約: MIDASは、構造物の損傷の自動検出と位置決めのための"deploy-and-forget"アプローチである。
これは、安価なセンサー、データ圧縮、およびメカニックインフォームドオートエンコーダから完全に受動的に計測される相乗的な統合である。
わずか3時間のデータから学んだMIDASは、さまざまな種類の予期せぬ損傷を自律的に検出し、ローカライズすることができる。
- 参考スコア（独自算出の注目度）: 12.889670445791985
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Structural health monitoring (SHM) ensures the safety and longevity of structures like buildings and bridges. As the volume and scale of structures and the impact of their failure continue to grow, there is a dire need for SHM techniques that are scalable, inexpensive, can operate passively without human intervention, and are customized for each mechanical structure without the need for complex baseline models. We present MIDAS, a novel "deploy-and-forget" approach for automated detection and localization of damage in structures. It is a synergistic integration of entirely passive measurements from inexpensive sensors, data compression, and a mechanics-informed autoencoder. Once deployed, MIDAS continuously learns and adapts a bespoke baseline model for each structure, learning from its undamaged state's response characteristics. After learning from just 3 hours of data, it can autonomously detect and localize different types of unforeseen damage. Results from numerical simulations and experiments indicate that incorporating the mechanical characteristics into the autoencoder allows for up to a 35% improvement in the detection and localization of minor damage over a standard autoencoder. Our approach holds significant promise for reducing human intervention and inspection costs while enabling proactive and preventive maintenance strategies. This will extend the lifespan, reliability, and sustainability of civil infrastructures.
- Abstract（参考訳）: 構造的健康モニタリング(SHM)は、建物や橋などの構造物の安全性と長寿を保証する。
構造物の体積と規模が拡大し、その失敗の影響が拡大するにつれて、スケーラブルで安価で、人間の介入なしに受動的に動作し、複雑なベースラインモデルを必要とせずに各機械構造にカスタマイズできるSHM技術が求められている。
構造物の損傷の自動検出と局所化のための新しい"deploy-and-forget"アプローチであるMIDASを提案する。
これは、安価なセンサー、データ圧縮、およびメカニックインフォームドオートエンコーダから完全に受動的に計測される相乗的な統合である。
一度デプロイされると、MIDASは各構造に対して、損傷のない状態の応答特性から学習し、常に学習し、適応する。
わずか3時間のデータから学習すると、さまざまな種類の予期せぬ損傷を自律的に検出し、ローカライズすることができる。
数値シミュレーションおよび実験の結果、機械的特性をオートエンコーダに組み込むことで、標準的なオートエンコーダよりも小さな損傷の検出と局所化を最大35%改善できることが示された。
本手法は, 人的介入や検査コストの削減と, 予防的かつ予防的な維持戦略の実現を約束するものである。
これにより、民間インフラの寿命、信頼性、持続可能性が拡張される。
関連論文リスト
- A Machine Learning-Driven Wireless System for Structural Health Monitoring [0.0]
本稿では,炭素繊維強化ポリマー(CFRP)構造体の構造健康モニタリング(SHM)のための機械学習(ML)モデルを統合した無線システムを提案する。
このシステムは、CFRPクーポンに埋め込まれたカーボンナノチューブ(CNT)センサーを介してデータを収集し、これらのデータを中央サーバーにワイヤレスで送信して処理する。
ディープニューラルネットワーク(DNN)モデルは、機械的特性を予測し、構造的障害を予測できるように拡張し、積極的にメンテナンスし、安全性を高める。
論文 参考訳（メタデータ） (2024-09-17T08:08:38Z) - Hybrid-Segmentor: A Hybrid Approach to Automated Fine-Grained Crack Segmentation in Civil Infrastructure [52.2025114590481]
エンコーダ・デコーダをベースとした手法であるHybrid-Segmentorを導入する。
これにより、モデルは、様々な種類の形状、表面、き裂の大きさを区別する一般化能力を向上させることができる。
提案モデルは,5つの測定基準(精度0.971,精度0.804,リコール0.744,F1スコア0.770,IoUスコア0.630)で既存ベンチマークモデルより優れ,最先端の状態を達成している。
論文 参考訳（メタデータ） (2024-09-04T16:47:16Z) - Vision-Based Adaptive Robotics for Autonomous Surface Crack Repair [0.0]
本稿では,ロボットを用いた表面き裂検出と修復のための適応型自律システムを提案する。
このシステムは、亀裂検出にRGB-Dカメラ、精密測定にレーザースキャナー、押出機と物質沈着用ポンプを使用する。
実世界の適用性とテストの再現性を確保するため, 3Dプリントによるクラック検体を用いた新しい検証手法を提案する。
論文 参考訳（メタデータ） (2024-07-23T22:46:21Z) - FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。
本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。
本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文 参考訳（メタデータ） (2024-03-26T08:51:23Z) - Semi-supervised detection of structural damage using Variational
Autoencoder and a One-Class Support Vector Machine [0.0]
本稿では,構造異常を検出するためのデータ駆動型手法を用いた半教師付き手法を提案する。
IASC-ASCE 構造健康モニタリングタスクグループによって9つの損傷シナリオで試験されたスケールスチール構造に適用した。
論文 参考訳（メタデータ） (2022-10-11T07:39:08Z) - Robust Self-Supervised LiDAR Odometry via Representative Structure
Discovery and 3D Inherent Error Modeling [67.75095378830694]
そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。
本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。
我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
論文 参考訳（メタデータ） (2022-02-27T12:52:27Z) - CycleGAN for Undamaged-to-Damaged Domain Translation for Structural
Health Monitoring and Damage Detection [0.618778092044887]
現在使用されているAIベースの損傷診断と予後診断のためのデータ駆動手法は、その構造の歴史的データを中心にしている。
本研究では,GAN(Generative Adversarial Networks, GAN, Cycle-Consistent Wasserstein Deep Convolutional GAN with Gradient Penalty (CycleWDCGAN-GP)モデルを用いた。
本研究の結果から, 本モデルでは, 将来的な損傷条件に対する構造の将来的な応答を正確に生成できることが示唆された。
論文 参考訳（メタデータ） (2022-02-16T02:31:38Z) - Online structural health monitoring by model order reduction and deep
learning algorithms [0.17499351967216337]
オンラインダメージローカリゼーションに向けたシミュレーションに基づく分類戦略を提案する。
提案手法は2次元ポータルフレームと3次元ポータルフレーム鉄道橋に関する2つのケーススタディによって検証されている。
論文 参考訳（メタデータ） (2021-03-26T08:40:41Z) - Assessing out-of-domain generalization for robust building damage
detection [78.6363825307044]
建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。
モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。
今後はOOD体制に重点を置くべきだと我々は主張する。
論文 参考訳（メタデータ） (2020-11-20T10:30:43Z) - Predictive Maintenance for Edge-Based Sensor Networks: A Deep
Reinforcement Learning Approach [68.40429597811071]
未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。
機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。
従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
論文 参考訳（メタデータ） (2020-07-07T10:00:32Z) - RescueNet: Joint Building Segmentation and Damage Assessment from
Satellite Imagery [83.49145695899388]
RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。
RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
論文 参考訳（メタデータ） (2020-04-15T19:52:09Z)
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。