文献

J-GLOBAL ID：201802229488072853   整理番号：18A0927304

輸送ネットワークの加速地震信頼性解析のための深層学習【JST・京大機械翻訳】

Deep Learning for Accelerated Seismic Reliability Analysis of Transportation Networks

著者 (2件)： Nabian Mohammad Amin (Department of Civil and Environmental Engineering, University of Illinois at Urbana-Champaign, IL, USA) ,  Meidani Hadi (Department of Civil and Environmental Engineering, University of Illinois at Urbana-Champaign, IL, USA)
資料名： Computer-Aided Civil and Infrastructure Engineering  (Computer-Aided Civil and Infrastructure Engineering)
巻： 33  号： 6  ページ： 443-458  発行年： 2018年 
JST資料番号： T0294A  ISSN： 1093-9687  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： インフラシステムのための緩和,準備,応答,および回復手順を最適化するために,確率的事象に対するシステム信頼性を評価するために,正確で効率的な手段を使用することが不可欠である。インフラストラクチャーシステムに対する自然災害の影響を定量化するための主要なアプローチは,特に大規模システムに適用されるとき,高い計算コストを受けるモンテカルロ手法である。本論文は,輸送ネットワーク事例研究に関して,地震信頼性解析を加速するための深い学習フレームワークを提示した。2つの異なる深いニューラルネットワーク代用を構築して研究した。(1)ネットワークの接続性決定を高速化する分類器代理,(2)道路状態実現,接続性決定,および接続性平均化のようなモジュールを置換するエンドツーエンド代理。確率論的地震イベントを受けるカリフォルニア輸送ネットワークのkターミナル接続性解析からの数値結果は,信頼性解析の加速における提案した代理の有効性を示し,一方,少なくとも99%の精度を達成した。Copyright 2018 Wiley Publishing Japan K.K. All Rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 連結性 ,  ニューラルネットワーク ,  *地震 ,  *輸送網 ,  事例研究 ,  システム信頼度 ,  大規模系 ,  モンテカルロ法 ,  *ネットワーク ,  *信頼性解析 ,  最適化 ,  高速化 ,  確率論 ,  自然災害 ,  *学習

分類 (3件)： 構造設計一般  (RA04010E) ,  交通調査  (TB01031B) ,  構造動力学  (HD02000E)

タイトルに関連する用語 (5件)： 輸送ネットワーク ,  加速 ,  地震 ,  信頼性解析 ,  深層学習