論文の概要: Deep learning-based modularized loading protocol for parameter estimation of Bouc-Wen class models
- arxiv url: http://arxiv.org/abs/2411.02776v1
- Date: Tue, 05 Nov 2024 03:41:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-06 14:58:30.526701
- Title: Deep learning-based modularized loading protocol for parameter estimation of Bouc-Wen class models
- Title（参考訳）: Bouc-Wenクラスモデルのパラメータ推定のためのディープラーニングに基づくモジュール化ロードプロトコル
- Authors: Sebin Oh, Junho Song, Taeyong Kim,
- Abstract要約: 本研究では,Bouc-Wenクラスモデルの最適パラメータ推定のためのモジュール化深層学習に基づくロードプロトコルを提案する。
このプロトコルは、最適なロード履歴構築とCNNに基づくラピッドパラメータ推定という、2つの重要なコンポーネントから構成される。
- 参考スコア（独自算出の注目度）: 1.6063951375624297
- License:
- Abstract: This study proposes a modularized deep learning-based loading protocol for optimal parameter estimation of Bouc-Wen (BW) class models. The protocol consists of two key components: optimal loading history construction and CNN-based rapid parameter estimation. Each component is decomposed into independent sub-modules tailored to distinct hysteretic behaviors-basic hysteresis, structural degradation, and pinching effect-making the protocol adaptable to diverse hysteresis models. Three independent CNN architectures are developed to capture the path-dependent nature of these hysteretic behaviors. By training these CNN architectures on diverse loading histories, minimal loading sequences, termed \textit{loading history modules}, are identified and then combined to construct an optimal loading history. The three CNN models, trained on the respective loading history modules, serve as rapid parameter estimators. Numerical evaluation of the protocol, including nonlinear time history analysis of a 3-story steel moment frame and fragility curve construction for a 3-story reinforced concrete frame, demonstrates that the proposed protocol significantly reduces total analysis time while maintaining or improving estimation accuracy. The proposed protocol can be extended to other hysteresis models, suggesting a systematic approach for identifying general hysteresis models.
- Abstract（参考訳）: 本研究では,Bow-Wen(BW)クラスモデルの最適パラメータ推定のための,モジュール化されたディープラーニングに基づくロードプロトコルを提案する。
このプロトコルは、最適なロード履歴構築とCNNに基づくラピッドパラメータ推定という、2つの重要なコンポーネントから構成される。
各コンポーネントは、異なるヒステリシスのヒステリシス、構造劣化、ピンチ効果などに適した独立したサブモジュールに分解され、様々なヒステリシスモデルに適合する。
3つの独立したCNNアーキテクチャは、これらのヒステリックな振る舞いの経路依存の性質を捉えるために開発されている。
これらのCNNアーキテクチャを多様なロード履歴に基づいてトレーニングすることにより、最小のロードシーケンスである‘textit{loading history modules} を識別し、組み合わせて最適なロード履歴を構築する。
それぞれのロード履歴モジュールに基づいてトレーニングされた3つのCNNモデルは、ラピッドパラメータ推定器として機能する。
3階建て鉄筋コンクリートフレームの非線形時間履歴解析やフラジティ曲線構築を含むプロトコルの数値評価により,提案プロトコルは推定精度を維持しつつ,総解析時間を著しく短縮することを示した。
提案プロトコルは他のヒステリシスモデルにも拡張でき、一般的なヒステリシスモデルを特定するための体系的なアプローチを提案する。
関連論文リスト
- Skeleton2vec: A Self-supervised Learning Framework with Contextualized
Target Representations for Skeleton Sequence [56.092059713922744]
予測対象として高レベルな文脈化機能を使用することで,優れた性能が得られることを示す。
具体的には、シンプルで効率的な3D行動表現学習フレームワークであるSkeleton2vecを提案する。
提案するSkeleton2vecは,従来の手法より優れ,最先端の結果が得られる。
論文 参考訳（メタデータ） (2024-01-01T12:08:35Z) - Scaling Pre-trained Language Models to Deeper via Parameter-efficient
Architecture [68.13678918660872]
行列積演算子(MPO)に基づくより有能なパラメータ共有アーキテクチャを設計する。
MPO分解はパラメータ行列の情報を再編成し、2つの部分に分解することができる。
私たちのアーキテクチャは、モデルのサイズを減らすために、すべてのレイヤで中央テンソルを共有しています。
論文 参考訳（メタデータ） (2023-03-27T02:34:09Z) - Boosting Low-Data Instance Segmentation by Unsupervised Pre-training
with Saliency Prompt [103.58323875748427]
この研究は、低データ体制のための新しい教師なし事前学習ソリューションを提供する。
近年のPrompting技術の成功に触発されて,QEISモデルを強化した新しい事前学習手法を導入する。
実験結果から,本手法は3つのデータセット上でのいくつかのQEISモデルを大幅に向上させることが示された。
論文 参考訳（メタデータ） (2023-02-02T15:49:03Z) - Contextually Enhanced ES-dRNN with Dynamic Attention for Short-Term Load
Forecasting [1.1602089225841632]
提案手法は,コンテキストトラックとメイントラックという,同時に訓練された2つのトラックから構成される。
RNNアーキテクチャは、階層的な拡張を積み重ねた複数の繰り返し層で構成され、最近提案された注意的再帰細胞を備えている。
このモデルは点予測と予測間隔の両方を生成する。
論文 参考訳（メタデータ） (2022-12-18T07:42:48Z) - IterMiUnet: A lightweight architecture for automatic blood vessel
segmentation [10.538564380139483]
本稿では,新しい軽量畳み込み型セグメンテーションモデルであるIterMiUnetを提案する。
MiUnetモデルのエンコーダ・デコーダ構造を組み込むことで、その非常にパラメトリズドな性質を克服する。
提案モデルは,多くの疾患の早期診断のためのツールとして活用される可能性が大きい。
論文 参考訳（メタデータ） (2022-08-02T14:33:14Z) - Re-parameterizing Your Optimizers rather than Architectures [119.08740698936633]
本稿では,モデル固有の事前知識を構造学に取り入れ,汎用モデル(簡易モデル)の学習に使用する新しいパラダイムを提案する。
実装として,モデル固有のハイパーパラメータの集合に従って勾配を変更することによって,事前知識を付加する手法を提案する。
Reprでトレーニングされた単純なモデルに対しては、VGGスタイルのプレーンモデルに注目し、ReprでトレーニングされたそのようなシンプルなモデルがRep-VGGと呼ばれ、最近のよく設計されたモデルと同等に動作することを示す。
論文 参考訳（メタデータ） (2022-05-30T16:55:59Z) - Blockwise Sequential Model Learning for Partially Observable
Reinforcement Learning [14.642266310020505]
本稿では、部分的に観測可能なマルコフ決定問題を解くために、新しい逐次モデル学習アーキテクチャを提案する。
提案アーキテクチャは,各データブロックに複数のタイムステップを持つ潜時変数を生成し,最も関連性の高い情報を次のブロックに渡してポリシー最適化を行う。
数値計算の結果,提案手法は様々な部分観測可能な環境において,従来の手法よりも有意に優れていた。
論文 参考訳（メタデータ） (2021-12-10T05:38:24Z) - Guided Sampling-based Evolutionary Deep Neural Network for Intelligent
Fault Diagnosis [8.92307560991779]
我々は、モデルアーキテクチャの進化を導くためにポリシー勾配を利用する進化的ディープニューラルネットワークの新しいフレームワークを提案してきた。
提案フレームワークの有効性を3つのデータセットで検証した。
論文 参考訳（メタデータ） (2021-11-12T18:59:45Z) - Parameter Decoupling Strategy for Semi-supervised 3D Left Atrium
Segmentation [0.0]
本稿では,パラメータ分離戦略に基づく半教師付きセグメンテーションモデルを提案する。
提案手法は,Atrial Challengeデータセット上での最先端の半教師付き手法と競合する結果を得た。
論文 参考訳（メタデータ） (2021-09-20T14:51:42Z) - Automated and Formal Synthesis of Neural Barrier Certificates for
Dynamical Models [70.70479436076238]
バリア証明書(BC)の自動的,形式的,反例に基づく合成手法を提案する。
このアプローチは、ニューラルネットワークとして構造化されたBCの候補を操作する誘導的フレームワークと、その候補の有効性を認証するか、反例を生成する音検証器によって支えられている。
その結果,音のBCsを最大2桁の速度で合成できることがわかった。
論文 参考訳（メタデータ） (2020-07-07T07:39:42Z) - A Compact Gated-Synapse Model for Neuromorphic Circuits [77.50840163374757]
このモデルは、ニューロモルフィック回路のコンピュータ支援設計への統合を容易にするためにVerilog-Aで開発された。
モデルの振る舞い理論は、デフォルトパラメータ設定の完全なリストとともに詳細に記述されている。
論文 参考訳（メタデータ） (2020-06-29T18:22:11Z)
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。