区間マルチレベルBayesネットワークベース衛星熱信頼性解析のための物理情報深モンテカルロ変位法【JST・京大機械翻訳】

Zheng Xiaohu; Yao Wen; Gong Zhiqiang; Zhang Yunyang; Zhang Xiaoya

プレプリント

J-GLOBAL ID：202202207880979572 整理番号：22P0289472

区間マルチレベルBayesネットワークベース衛星熱信頼性解析のための物理情報深モンテカルロ変位法【JST・京大機械翻訳】

Physics-Informed Deep Monte Carlo Quantile Regression method for Interval Multilevel Bayesian Network-based Satellite Heat Reliability Analysis

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年02月14日プレプリントサーバーでの情報更新日： 2022年02月14日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

温度場再構成は衛星熱信頼性を解析するために不可欠である。代表的な機械学習モデルとして,深い畳み込みニューラルネットワーク(DCNN)は衛星温度場を再構成するための強力なツールである。しかし,DCNNは,実際の衛星工学が雑音のあるラベルなしデータのみを取得できるという事実とは逆に,そのパラメータを学習するために多くのラベル付きデータを必要とする。上記の問題を解決するために,本論文では,温度場を再構成し,データノイズに起因するアリーレータ不確実性を定量化するため,教師なし法,すなわち,物理情報化深層モンテカルロ分位回帰法を提案した。1つの薄さのために,提案方法は,モニタリング点温度だけを用いて正確な温度場を再構成するために,既知の物理学知識と深い畳み込みニューラルネットワークを結合した。もう1つの薄い場合,提案方法は,モンテカルロ分位回帰によって,アリーレータの不確実性を定量化できる。再構成された温度場と定量化されたアリーレータの不確実性に基づいて,この論文は衛星熱信頼性を分析するために,間隔マルチレベルBayesianネットワークをモデル化する。2つの事例研究を用いて,提案した方法を検証した。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能

, , , , ,

前のページに戻る