Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Một Phương Pháp Học Tập Bayes Để Đánh Giá Thiệt Hại Cấu Trúc Trong Vấn Đề Tham Chiếu IASC-ASCE Giai Đoạn I
Tóm tắt
Tiến bộ nhanh chóng trong lĩnh vực công nghệ cảm biến dẫn đến việc thu thập một khối lượng lớn dữ liệu đo được từ các cấu trúc đang được giám sát. Tuy nhiên, dữ liệu này chứa những lỗi đo lường không thể tránh khỏi, thường gây khó khăn cho việc đánh giá thiệt hại định lượng. Phương pháp học tập Bayes được biết đến là cung cấp những cách hiệu quả để giảm thiểu tình trạng không xác định thông qua điều khoản prior để chuẩn hóa và đồng thời cung cấp những kết quả xác suất có ý nghĩa cho việc ra quyết định đáng tin cậy. Trong nghiên cứu này, phương pháp học tập Bayes dựa trên phương pháp hồi quy Bayes sử dụng prior xác định độ liên quan tự động được trình bày nhằm đạt được chuẩn hóa hiệu quả hơn cũng như dự đoán xác suất, và được mở rộng để cung cấp đầu ra vector cho việc giám sát một bài toán tham chiếu mô phỏng IASC-ASCE Giai Đoạn I. Phương pháp được đề xuất đã ước lượng thành công vị trí thiệt hại cũng như mức độ nghiêm trọng của nó và hứa hẹn nhiều tiềm năng trong việc đánh giá thiệt hại cấu trúc.
Từ khóa
#công nghệ cảm biến; phương pháp học tập Bayes; đánh giá thiệt hại cấu trúc; hồi quy Bayes; chuẩn hóa xác suấtTài liệu tham khảo
Beck, J. L. (1996). “System identification methods applied to measured seismic response.” Proceedings of the Eleventh World Conference on Earthquake Engineering, Acapulco, Mexico.
Beck, J. L. and Yuen, K. V. (2004). “Model selection using response measurements: A bayesian probabilistic approach.” Journal of Engineering Mechanics, Vol. 130, pp. 192–203, DOI: https://doi.org/10.1061/(ASCE)0733-9399(2004)130:2(192)..
Beck, J. L. (2010). “Bayesian System Identification based on Probability Logic.” Structural Control and Health Monitoring, Vol. 17, pp. 825–847, DOI: https://doi.org/10.1002/stc.424.
Burges, C. J. C. (1998). “A tutorial on support vector machines for pattern recognition.” Data Mining and Knowledge Discovery, Vol. 2, No. 2, pp. 121–167, DOI: https://doi.org/10.1023/A:1009715923555.
Ching, J. and Beck, J. L. (2004). “Bayesian analysis of the Phase II IASC-ASCE structural health monitoring experimental benchmark data.” Journal of Engineering Mechanics, Vol. 130, No. 10, pp. 1233–1244, DOI: https://doi.org/10.1061/(ASCE)0733-9399(2004)130:10(1233).
Johnson, E. A., Lam, H. F., Katafygiotis, L., and Beck, J. L. (2000). “A benchmark problem for structural health monitoring and damage detection.” Proceedings of the 14 th ASCE Engineering Mechanics Conference, Austin, Texas.
Johnson, E. A., Lam, H. F., Katafygiotis, L., and Beck, J. L. (2004). “Phase I IASC - ASCE Structural health monitoring benchmark problem using simulated data.” Journal of Engineering Mechanics, Vol. 130, No. 3, pp. 3–15, DOI: https://doi.org/10.1061/(ASCE)0733-9399(2004)130:1(3).
Lam, H. F., Yuen, K. V., and Beck, J. L. (2006). “Structural health monitoring via measured ritz vectors utilizing artificial neural networks.” Computer-Aided Civil and Infrastructure Engineering, Vol. 21, No. 4, pp. 232–241, DOI: https://doi.org/10.1111/j.1467-8667.2006.00431.x.
Oh, C. K. (2008). Bayesian learning for earthquake engineering applications and structural health monitoring, Ph. D. Thesis, California Institute of Technology, Pasadena, U.S.A.
Oh, C. K. and Sohn, H. (2009). “Damage diagnosis under environmental and operational variations using unsupervised support vector machine.” Journal of Sound and Vibration, Vol. 325, pp. 224–239, DOI: https://doi.org/10.1061/(ASCE)0733-9399(2008)134:12(1013).
Oh, C. K., Beck, J. L., and Yamada, M. (2008). “Bayesian learning using automatic relevance determination prior with an application to earthquake early warning.” Journal of Engineering Mechanics, Vol. 134, No. 12, pp. 1013–1020, DOI: https://doi.org/10.1061/(ASCE)0733-9399(2008)134:12(1013).
Oh, C. K., Sohn, H., and Bae, I. (2009). “Statistical novelty detection within the Yeongjong suspension bridge under environmental and operational variations.” Smart Materials and Structures, Vol. 18, pp. 1–9, DOI: https://doi.org/10.1088/0964-1726/18/12/125022.
Schölkopf, B. and Smola, A. J. (2002). Probability, Reliability and Statistical Methods in Engineering Design., Wiley, New York.
Thayananthan, A. (2005). Template-based Pose Estimation and Tracking of 3D Hand Motion. Ph.D. Thesis, University of Cambridge.
Tipping, M. E. (2000). “The Relevance Vector Machine.” Advances in Neural Information Processing Systems 12, pp. 652–658.
Tipping, M. E. (2001). “Sparse bayesian learning and the relevance vector machine.” Journal of Machine Learning Research, Vol. 1, pp. 211–244, DOI: https://doi.org/10.1162/15324430152748236.
Tipping, M. E., and Faul, A. C. (2003). “Fast marginal likelihood maximisation for sparse bayesian models.” Proceedings of the 9th International Workshop on Artificial Intelligence and Statistics, Key West, FL.
Vapnik, V. N. (1998). Statistical Learning Theory. Wiley, New York.
Yuen, K. V. and Lam, H. F. (2006). “On the complexity of artificial neural networks for smart structure monitoring.” Engineering Structures, Vol. 27, No. 7, pp. 977–984, DOI: https://doi.org/10.1016/j.engstruct.2005.11.002.
Yuen, K. V., Au, S. K., and Beck, J. L. (2004). “Two-stage structural health monitoring approach for Phase I Benchmark studies.” Journal of Engineering Mechanics, Vol. 130, pp. 16–33, DOI: https://doi.org/10.1061/(ASCE)0733-9399(2004)130:1(16).