論文の概要: Prediction of the Most Fire-Sensitive Point in Building Structures with Differentiable Agents for Thermal Simulators

• arxiv url: http://arxiv.org/abs/2502.03424v2
• Date: Mon, 10 Mar 2025 21:24:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 19:16:30.465549
• Title: Prediction of the Most Fire-Sensitive Point in Building Structures with Differentiable Agents for Thermal Simulators
• Title（参考訳）: 温度シミュレータ用異種剤を用いた建築構造物の火災感応点の予測
• Authors: Yuan Xinjie, Khalid M. Mosalam,
• Abstract要約: 本稿では,MFSP(Mest Fire-Sensitive Point)の概念と,その識別のための効率的な機械学習フレームワークを提案する。 MFSPは、火災が開始すれば建物の安定性に最も深刻な有害な影響をもたらす場所と定義されている。 本フレームワークでは,従来の有限要素解析(FEA)シミュレータにおいて,グラフニューラルネットワーク(GNN)が効率的かつ微分可能なエージェントとして機能する。
• 参考スコア（独自算出の注目度）: 0.0789257770465417
• License:
• Abstract: Fire safety is crucial for ensuring the stability of building structures, yet evaluating whether a structure meets fire safety requirement is challenging. Fires can originate at any point within a structure, and simulating every potential fire scenario is both expensive and time-consuming. To address this challenge, we propose the concept of the Most Fire-Sensitive Point (MFSP) and an efficient machine learning framework for its identification. The MFSP is defined as the location at which a fire, if initiated, would cause the most severe detrimental impact on the building's stability, effectively representing the worst-case fire scenario. In our framework, a Graph Neural Network (GNN) serves as an efficient and differentiable agent for conventional Finite Element Analysis (FEA) simulators by predicting the Maximum Interstory Drift Ratio (MIDR) under fire, which then guides the training and evaluation of the MFSP predictor. Additionally, we enhance our framework with a novel edge update mechanism and a transfer learning-based training scheme. Evaluations on a large-scale simulation dataset demonstrate the good performance of the proposed framework in identifying the MFSP, offering a transformative tool for optimizing fire safety assessments in structural design. All developed datasets and codes are open-sourced online.
• Abstract（参考訳）: 建築物の安定性を確保するためには, 火災の安全性が重要であるが, 構造物が火災の安全要件を満たしているかどうかを評価することは困難である。 火災は構造内のあらゆる点で発生しうるし、潜在的な火災シナリオをシミュレートすることは費用も時間もかかる。 この課題に対処するため,本研究では,MFSP(Mest Fire-Sensitive Point)の概念と,その識別のための効率的な機械学習フレームワークを提案する。 MFSPは、火災が開始すれば建物の安定性に最も深刻な有害な影響をもたらし、最悪の火災シナリオを効果的に表す場所として定義される。 本フレームワークでは,従来の有限要素解析(FEA)シミュレータにおいて,火災時の最大層間ドリフト比(MIDR)を予測し,MFSP予測器のトレーニングと評価を導くことにより,グラフニューラルネットワーク(GNN)が効率的かつ微分可能なエージェントとして機能する。 さらに,新たなエッジ更新機構とトランスファーラーニングベースのトレーニングスキームにより,フレームワークを強化した。 大規模シミュレーションデータセットの評価は,構造設計における火災安全評価を最適化するための変換ツールとして,MFSPを同定する上で,提案手法の優れた性能を示すものである。 開発されたデータセットとコードはすべて、オンラインで公開されている。

関連論文リスト

• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• Data-Agnostic Model Poisoning against Federated Learning: A Graph Autoencoder Approach [65.2993866461477]
  本稿では,フェデレートラーニング(FL)に対するデータに依存しないモデル中毒攻撃を提案する。 この攻撃はFLトレーニングデータの知識を必要とせず、有効性と検出不能の両方を達成する。 実験により、FLの精度は提案した攻撃の下で徐々に低下し、既存の防御機構では検出できないことが示された。
  論文  参考訳（メタデータ） (2023-11-30T12:19:10Z)
• Prescribed Fire Modeling using Knowledge-Guided Machine Learning for Land Management [2.158876211806538]
  本稿では,所定の火災を迅速にエミュレーションできる機械学習(ML)フレームワークを提案する。 ドメイン知識を取り入れることで,データ共有シナリオにおける燃料密度推定の物理的不整合を低減することができる。 また,階層構造を組み込んだ火災拡散指標の偏り推定の問題も克服した。
  論文  参考訳（メタデータ） (2023-10-02T19:38:04Z)
• Stochastic stiffness identification and response estimation of Timoshenko beams via physics-informed Gaussian processes [0.0]
  本稿では,ティモシェンコビーム素子に対する物理インフォームドガウス過程(GP)モデルを提案する。 提案手法は, 構造パラメータの同定に有効であり, 異種・多要素センサからのデータを融合することができる。
  論文  参考訳（メタデータ） (2023-09-21T08:22:12Z)
• Synergistic Signal Denoising for Multimodal Time Series of Structure Vibration [9.144905626316534]
  本稿では,構造的健康モニタリング(SHM)で広く用いられているマルチモーダル振動信号に固有の複雑さに適した,新しいディープラーニングアルゴリズムを提案する。 畳み込みと再帰的なアーキテクチャの融合により、アルゴリズムは局所化と長期化の両方の構造挙動を順応的にキャプチャする。 以上の結果から,複数のSHMシナリオにおける予測精度,早期損傷検出,適応性に有意な改善が認められた。
  論文  参考訳（メタデータ） (2023-08-17T00:41:50Z)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• PDSketch: Integrated Planning Domain Programming and Learning [86.07442931141637]
  我々は PDSketch という新しいドメイン定義言語を提案する。 これにより、ユーザーはトランジションモデルで柔軟にハイレベルな構造を定義できる。 移行モデルの詳細は、トレーニング可能なニューラルネットワークによって満たされる。
  論文  参考訳（メタデータ） (2023-03-09T18:54:12Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• An Intelligent End-to-End Neural Architecture Search Framework for Electricity Forecasting Model Development [4.940941112226529]
  本稿では、時系列電気予測モデルの開発のためのインテリジェント自動アーキテクチャサーチ(IAAS)フレームワークを提案する。 提案フレームワークは,ネットワーク機能保存変換操作,強化学習(RL)に基づくネットワーク変換制御,ネットワークスクリーニングの3つの主要コンポーネントを含む。 提案したIAASフレームワークは,精度と安定性の予測において,既存の10のモデルや手法を著しく上回っていることを実証する。
  論文  参考訳（メタデータ） (2022-03-25T10:36:27Z)
• Convolutional LSTM Neural Networks for Modeling Wildland Fire Dynamics [0.0]
  森林火災伝播のダイナミクスをモデル化するために,畳み込み長短期記憶リカレントニューラルネットワークの有効性を評価する。 その結果,convlstmsは局所的な火災伝達イベントを捕捉できるだけでなく,火の拡散率など全体の火災動態を把握できることがわかった。
  論文  参考訳（メタデータ） (2020-12-11T23:31:43Z)
• 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)

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。