論文の概要: Constructing balanced datasets for predicting failure modes in structural systems under seismic hazards

• arxiv url: http://arxiv.org/abs/2503.01882v1
• Date: Wed, 26 Feb 2025 22:11:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:21:56.183892
• Title: Constructing balanced datasets for predicting failure modes in structural systems under seismic hazards
• Title（参考訳）: 地震災害下における構造物の故障モード予測のためのバランス付きデータセットの構築
• Authors: Jungho Kim, Taeyong Kim,
• Abstract要約: 本研究では、異なる障害モードを含むバランスのとれたデータセットを構築するためのフレームワークを提案する。 ディープニューラルネットワークモデルは、データセットのバランシングの重要性を強調するために、バランスの取れたデータセットと不均衡なデータセットに基づいてトレーニングされる。
• 参考スコア（独自算出の注目度）: 1.192436948211501
• License:
• Abstract: Accurate prediction of structural failure modes under seismic excitations is essential for seismic risk and resilience assessment. Traditional simulation-based approaches often result in imbalanced datasets dominated by non-failure or frequently observed failure scenarios, limiting the effectiveness in machine learning-based prediction. To address this challenge, this study proposes a framework for constructing balanced datasets that include distinct failure modes. The framework consists of three key steps. First, critical ground motion features (GMFs) are identified to effectively represent ground motion time histories. Second, an adaptive algorithm is employed to estimate the probability densities of various failure domains in the space of critical GMFs and structural parameters. Third, samples generated from these probability densities are transformed into ground motion time histories by using a scaling factor optimization process. A balanced dataset is constructed by performing nonlinear response history analyses on structural systems with parameters matching the generated samples, subjected to corresponding transformed ground motion time histories. Deep neural network models are trained on balanced and imbalanced datasets to highlight the importance of dataset balancing. To further evaluate the framework's applicability, numerical investigations are conducted using two different structural models subjected to recorded and synthetic ground motions. The results demonstrate the framework's robustness and effectiveness in addressing dataset imbalance and improving machine learning performance in seismic failure mode prediction.
• Abstract（参考訳）: 地震活動における構造破壊モードの正確な予測は, 地震リスクと耐震性評価に不可欠である。 従来のシミュレーションベースのアプローチは、しばしば非障害または頻繁に観察される障害シナリオに支配される不均衡なデータセットをもたらし、機械学習ベースの予測の有効性を制限する。 この課題に対処するために、異なる障害モードを含むバランスのとれたデータセットを構築するためのフレームワークを提案する。 フレームワークは3つの重要なステップで構成されている。 まず, 臨界地動特性 (GMFs) を同定し, 地動時間履歴を効果的に表現する。 第二に、重要なGMFと構造パラメータの空間における様々な障害領域の確率密度を推定するために適応アルゴリズムを用いる。 第三に、これらの確率密度から生成されたサンプルは、スケーリング係数最適化プロセスを用いて、地上運動時間履歴に変換される。 生成されたサンプルと一致するパラメータを対応づけた構造系上で非線形応答履歴解析を行い、対応する変換された地動時間ヒストリーを対象とするバランスデータセットを構築する。 ディープニューラルネットワークモデルは、データセットのバランシングの重要性を強調するために、バランスの取れたデータセットと不均衡なデータセットに基づいてトレーニングされる。 フレームワークの適用性をさらに評価するために, 記録および合成地盤運動を受ける2つの異なる構造モデルを用いて, 数値解析を行った。 その結果、データセットの不均衡に対処する上でのフレームワークの堅牢性と有効性を示し、耐震破壊モード予測における機械学習性能を改善した。

関連論文リスト

• A recursive Bayesian neural network for constitutive modeling of sands under monotonic loading [0.0]
  ジオエンジニアリングにおいて、モデルは様々な負荷条件下での土壌の挙動を記述する上で重要な役割を担っている。 データ駆動型ディープラーニング(DL)モデルは、予測モデルを開発するための有望な代替手段を提供する。 予測が主眼となる場合、訓練されたDLモデルの予測不確実性を定量化することは、情報的意思決定に不可欠である。
  論文  参考訳（メタデータ） (2025-01-17T10:15:03Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
  PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。 運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。 結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
  論文  参考訳（メタデータ） (2024-02-28T02:16:03Z)
• Motion-Scenario Decoupling for Rat-Aware Video Position Prediction: Strategy and Benchmark [49.58762201363483]
  本研究では,個人や環境の影響要因を考慮し,生物ロボットの動き予測データセットであるRatPoseを紹介する。 本稿では,シナリオ指向とモーション指向を効果的に分離するDual-stream Motion-Scenario Decouplingフレームワークを提案する。 難易度が異なるタスクに対して,提案したtextitDMSD フレームワークの大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2023-05-17T14:14:31Z)
• Mining Causality from Continuous-time Dynamics Models: An Application to Tsunami Forecasting [22.434845478979604]
  本研究では,連続時間モデルから因果構造を抽出する機構を提案する。 我々は,動的モデルの入力層の重み付けによって因果構造を捕捉するモデルを訓練する。 本手法を津波予報という実世界の問題に適用し,正確な因果構造を特徴付けるのが困難である。
  論文  参考訳（メタデータ） (2022-10-10T18:53:13Z)
• A Causality-Based Learning Approach for Discovering the Underlying Dynamics of Complex Systems from Partial Observations with Stochastic Parameterization [1.2882319878552302]
  本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。 モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。 数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
  論文  参考訳（メタデータ） (2022-08-19T00:35:03Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Complex Sequential Data Analysis: A Systematic Literature Review of Existing Algorithms [0.9649642656207869]
  本稿では、不規則なパターンを持つデータセットの分析にディープラーニングフレームワークを使うことに対する過去のアプローチについてレビューする。 従来のディープラーニング手法は、これらのデータセットを解析しようとすると、パフォーマンスが悪く、あるいは失敗する。 ディープラーニングフレームワークの性能は,平均絶対誤差とルート平均二乗誤差精度の指標を用いて評価された。
  論文  参考訳（メタデータ） (2020-07-22T17:53:00Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。