論文の概要: Deep Learning-Based Metamodeling of Nonlinear Stochastic Dynamic Systems under Parametric and Predictive Uncertainty

• arxiv url: http://arxiv.org/abs/2603.12012v1
• Date: Thu, 12 Mar 2026 14:56:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:26.157691
• Title: Deep Learning-Based Metamodeling of Nonlinear Stochastic Dynamic Systems under Parametric and Predictive Uncertainty
• Title（参考訳）: パラメトリックおよび予測不確かさ下での非線形確率力学系の深層学習に基づくメタモデリング
• Authors: Haimiti Atila, Seymour M. J. Spence,
• Abstract要約: 自然災害下での高次元非線形動的構造系のモデル化は、重大な計算課題をもたらす。 自然災害からの外部負荷に関する不確実性についての研究は成功したが、構造系内の負荷とパラメータの不確実性に同時に対処する研究はほとんどない。 マルチ層パーセプトロン(MLP)、メッセージパッシングニューラルネットワーク(MPNN)、オートエンコーダ(AE)によって実装された特徴抽出モジュールを結合する3つのメタモデリングフレームワークを作成した。 得られたアーキテクチャ (MLP-LSTM, MPNN-LSTM, AE-LSTM) を2つのケーススタディで検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling high-dimensional, nonlinear dynamic structural systems under natural hazards presents formidable computational challenges, especially when simultaneously accounting for uncertainties in external loads and structural parameters. Studies have successfully incorporated uncertainties related to external loads from natural hazards, but few have simultaneously addressed loading and parameter uncertainties within structural systems while accounting for prediction uncertainty of neural networks. To address these gaps, three metamodeling frameworks were formulated, each coupling a feature-extraction module implemented through a multi-layer perceptron (MLP), a message-passing neural network (MPNN), or an autoencoder (AE) with a long short-term memory (LSTM) network using Monte Carlo dropout and a negative log-likelihood loss. The resulting architectures (MLP-LSTM, MPNN-LSTM, and AE-LSTM) were validated on two case studies: a multi-degree-of-freedom Bouc-Wen system and a 37-story fiber-discretized nonlinear steel moment-resisting frame, both subjected to stochastic seismic excitation and structural parameter uncertainty. All three approaches achieved low prediction errors: the MLP-LSTM yielded the most accurate results for the lower-dimensional Bouc-Wen system, whereas the MPNN-LSTM and AE-LSTM provided superior performance on the more complex steel-frame model. Moreover, a consistent correlation between predictive variance and actual error confirms the suitability of these frameworks for active-learning strategies and for assessing model confidence in structural response predictions.
• Abstract（参考訳）: 自然災害下での高次元非線形動的構造系のモデル化は、特に外部負荷と構造パラメータの不確実性を同時に考慮する場合に、深刻な計算上の課題をもたらす。 自然災害からの外部負荷に関する不確実性についての研究は成功したが、ニューラルネットワークの予測不確実性を考慮して、構造系内の負荷とパラメータの不確実性に同時に対処する研究はほとんどない。 これらのギャップに対処するため、3つのメタモデリングフレームワークが構成され、それぞれがマルチ層パーセプトロン(MLP)、メッセージパスニューラルネットワーク(MPNN)、あるいはモンテカルロ・ドロップアウトと負の対数類似損失を用いた長い短期メモリ(LSTM)ネットワークを備えたオートエンコーダ(AE)を介して実装された機能抽出モジュールを結合した。 得られたアーキテクチャ (MLP-LSTM, MPNN-LSTM, AE-LSTM) は, 多自由度ブークワンシステムと37階建て繊維分散非線形鋼のモーメント抵抗フレームの2つのケーススタディで検証した。 MLP-LSTMは低次元のブーク-ウェン系において最も正確な結果を得たのに対し、MPNN-LSTMとAE-LSTMはより複雑なスチール-フレームモデルにおいて優れた性能を示した。 さらに、予測分散と実際の誤差との一貫性のある相関関係は、これらのフレームワークのアクティブラーニング戦略および構造的応答予測におけるモデル信頼度評価への適合性を確認する。

関連論文リスト

• Machine learning assisted state prediction of misspecified linear dynamical system via modal reduction [0.0]
  固定されたパラメータを持つパラメトリックモデルは、幾何学、物質的挙動、減衰、境界条件の単純化による重要な物理的効果を省略することが多い。 本研究は、高次元有限要素に基づく構造力学系におけるMFE推定と補正のための包括的枠組みを導入する。 計算的トラクタビリティを確保するため、FEシステムは縮小されたモーダルベースに投影され、メッシュ不変のニューラルネットワークは、モーダル状態を不一致推定にマッピングする。
  論文  参考訳（メタデータ） (2026-01-08T10:14:27Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Automatic Debiased Machine Learning for Smooth Functionals of Nonparametric M-Estimands [34.30497962430375]
  無限次元M-推定関数のスムーズな関数に対する推論を行うために,自動脱バイアス機械学習(autoDML)の統一フレームワークを提案する。 本稿では,1ステップ推定に基づく3つの自動DML推定器,目標最小損失推定,およびシーブ方法を紹介する。 データ駆動型モデル選択では、M-エスティマンドの滑らかな関数に対するモデル近似誤差の新たな分解を導出する。
  論文  参考訳（メタデータ） (2025-01-21T03:50:51Z)
• Recurrent Stochastic Configuration Networks with Hybrid Regularization for Nonlinear Dynamics Modelling [3.8719670789415925]
  リカレント・コンフィグレーション・ネットワーク(RSCN)は不確実性のある非線形力学系をモデル化する大きな可能性を示している。 本稿では,ネットワークの学習能力と一般化性能を両立させるために,ハイブリッド正規化を備えたRCCNを提案する。
  論文  参考訳（メタデータ） (2024-11-26T03:06:39Z)
• 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)
• Decomposing Uncertainty for Large Language Models through Input Clarification Ensembling [69.83976050879318]
  大規模言語モデル(LLM)では、不確実性の原因を特定することが、信頼性、信頼性、解釈可能性を改善するための重要なステップである。 本稿では,LLMのための不確実性分解フレームワークについて述べる。 提案手法は,入力に対する一連の明確化を生成し,それらをLLMに入力し,対応する予測をアンサンブルする。
  論文  参考訳（メタデータ） (2023-11-15T05:58:35Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• Neural Closure Models for Dynamical Systems [35.000303827255024]
  低忠実度モデルに対する非マルコフ閉閉パラメータ化を学習する新しい手法を開発した。 ニューラルクロージャモデル」はニューラル遅延微分方程式(nDDE)を用いた低忠実度モデルを強化する 非マルコヴィアンオーバーマルコヴィアンクロージャを使用することで、長期的精度が向上し、より小さなネットワークが必要であることを示した。
  論文  参考訳（メタデータ） (2020-12-27T05:55:33Z)

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。