文献

J-GLOBAL ID：201702286512396521   整理番号：17A1382256

確率応答解析のための効率的なスパースBayes学習フレームワーク【Powered by NICT】

An efficient sparse Bayesian learning framework for stochastic response analysis

著者 (2件)： Chatterjee Tanmoy (Department of Civil Engineering, Indian Institute of Technology Roorkee, Roorkee 247667, India) ,  Chowdhury Rajib (Department of Civil Engineering, Indian Institute of Technology Roorkee, Roorkee 247667, India)
資料名： Structural Safety  (Structural Safety)
巻： 68  ページ： 1-14  発行年： 2017年 
JST資料番号： A0261B  ISSN： 0167-4730  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 工学システムの不確実性定量化に関連した本質的に計算集約は長年にわたって最も重要な関心事の一つとなっている。この問題を軽減するために,効率的な確率的計算のために開発した新しいアプローチ。提案した方法は,二つの利用可能な技術の利点,すなわち,高次元モデル表現(HDMR)およびクリギング融合により開発した。これら二つの方法は,HDMR成分関数の集合を用いた関数空間における全球的変動を扱うように結合し,微細な異常であるクリギングを利用し,二準位近似として行うことにより内挿した。Bayes学習フレームワークは,地域で精製したモデルと統合されているスパース配置を構築した。提案した手法を実施することにより,五種のベンチマーク問題と実際の海洋構造物問題で実証した。確率応答解析における提案した方法の効率と精度をモンテカルロシミュレーションとの比較により評価した。得られた精度と計算努力の観点から優れた結果は,さらに複雑なアプリケーションのための提案した方法論の可能性を示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 不確実性 ,  近似法 ,  集中化 ,  *透視図法 ,  応用プログラム ,  高次元 ,  ベンチマーク ,  海洋 ,  クリギング ,  海洋構造物
準シソーラス用語： モンテカルロシミュレーション ,  *Bayes学習 , 【Automatic Indexing@JST】

著者キーワード (6件)： H DMR ,  クリギング ,  スパース ,  Bayes ,  RVM ,  海洋

分類 (1件)： 構造力学一般  (HD01000X)

タイトルに関連する用語 (4件)： 確率応答 ,  解析 ,  Bayes学習 ,  フレームワーク