論文の概要: Multitask learning for improved scour detection: A dynamic wave tank study

• arxiv url: http://arxiv.org/abs/2408.16527v1
• Date: Thu, 29 Aug 2024 13:39:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-30 13:42:55.059924
• Title: Multitask learning for improved scour detection: A dynamic wave tank study
• Title（参考訳）: マルチタスク学習による歪み検出の精度向上--動的波動タンクによる研究
• Authors: Simon M. Brealy, Aidan J. Hughes, Tina A. Dardeno, Lawrence A. Bull, Robin S. Mills, Nikolaos Dervilis, Keith Worden,
• Abstract要約: オフショア・ウィンドファームは、名目上同定されたウィンドタービン構造の人口と見なすことができる。 例えば、幾何学、海底条件、温度差などである。 本稿では,基礎硬度分布パラメータを人口および地域レベルで推定するために,ベイズ階層モデルを用いた学習手法について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Population-based structural health monitoring (PBSHM), aims to share information between members of a population. An offshore wind (OW) farm could be considered as a population of nominally-identical wind-turbine structures. However, benign variations exist among members, such as geometry, sea-bed conditions and temperature differences. These factors could influence structural properties and therefore the dynamic response, making it more difficult to detect structural problems via traditional SHM techniques. This paper explores the use of a Bayesian hierarchical model as a means of multitask learning, to infer foundation stiffness distribution parameters at both population and local levels. To do this, observations of natural frequency from populations of structures were first generated from both numerical and experimental models. These observations were then used in a partially-pooled Bayesian hierarchical model in tandem with surrogate FE models of the structures to infer foundation stiffness parameters. Finally, it is demonstrated how the learned parameters may be used as a basis to perform more robust anomaly detection (as compared to a no-pooling approach) e.g. as a result of scour.
• Abstract（参考訳）: 人口ベース構造健康モニタリング(PBSHM)は、人口間で情報を共有することを目的としている。 オフショア・ウィンド・ファーム(OW)は、名目上同定された風車構造の人口と見なすことができる。 しかし、幾何、海底条件、温度差など、メンバー間での良質なバリエーションは存在する。 これらの因子は構造特性や動的応答に影響を与える可能性があるため、従来のSHM技術による構造問題の検出がより困難になる。 本稿では,マルチタスク学習の手段としてベイズ階層モデルを用いて,人口および地域レベルの基盤剛性分布パラメータを推定する。 これを実現するために, 数値モデルと実験モデルの両方から, 構造物群からの自然振動の観測を行った。 これらの観測は、基礎剛性パラメーターを推測するために、構造体の代理FEモデルとタンデムの部分的にプールされたベイズ階層モデルで使用された。 最後に,学習パラメータをベースとして,より堅牢な異常検出を行う方法を示す。

関連論文リスト

• Anomaly Detection in Offshore Wind Turbine Structures using Hierarchical Bayesian Modelling [0.0]
  オフショア・ウィンドファームは、名目上同定されたウィンドタービン構造の人口と見なすことができる。 例えば、幾何学、海底条件、温度差などである。 本稿では, 人口および地域レベルでの土壌硬度分布を推定するために, 階層型ベイズモデルを用いて検討する。
  論文  参考訳（メタデータ） (2024-02-29T15:58:16Z)
• On the hierarchical Bayesian modelling of frequency response functions [0.0]
  階層的ベイズモデルは、人口(または親)とドメインレベルの統計分布を同時に学習する。 パラメータ推定値、特にデータが制限されている場合、分散は減少する。 モデリングのアプローチは従来のSHMの文脈でも示されており、単一のヘリコプターブレードが様々な温度で露出している。
  論文  参考訳（メタデータ） (2023-07-12T16:03:34Z)
• Bayesian learning of Causal Structure and Mechanisms with GFlowNets and Variational Bayes [51.84122462615402]
  本研究では,変分ベイズ-DAG-GFlowNetを用いて因果モデルの構造と機構を学習する手法を提案する。 我々は,GFlowNetを用いたベイズ因果構造学習の手法を拡張し,線形ガウスモデルのパラメータを学習する。
  論文  参考訳（メタデータ） (2022-11-04T21:57:39Z)
• Amortised Inference in Structured Generative Models with Explaining Away [16.92791301062903]
  我々は、複数の変数に対して構造化因子を組み込むために、償却変分推論の出力を拡張した。 パラメータ化された因子は、複雑な図形構造における変分メッセージパッシングと効率的に結合可能であることを示す。 次に、構造化されたモデルと、自由に動くげっ歯類の海馬からの高次元神経スパイク時系列を適合させる。
  論文  参考訳（メタデータ） (2022-09-12T12:52:15Z)
• What Makes Forest-Based Heterogeneous Treatment Effect Estimators Work? [1.1050303097572156]
  両手法がL2損失下で同じパラメータと共起仮定で理解可能であることを示す。 ランダム化環境では、両方のアプローチはベンチマーク研究で新しいブレンドバージョンと同様に実行された。
  論文  参考訳（メタデータ） (2022-06-21T12:45:07Z)
• Causal Discovery in Linear Structural Causal Models with Deterministic Relations [27.06618125828978]
  我々は因果発見の課題と観察データに焦点をあてる。 因果構造の特異な識別に必要かつ十分な条件のセットを導出する。
  論文  参考訳（メタデータ） (2021-10-30T21:32:42Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)
• Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
  本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。 地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
  論文  参考訳（メタデータ） (2020-02-05T10:11:26Z)

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。