文献

J-GLOBAL ID：202202211746694872   整理番号：22A0731183

時変不確定構造応答解析のためのGRUベースアンサンブル学習法【JST・京大機械翻訳】

A GRU-based ensemble learning method for time-variant uncertain structural response analysis

著者 (6件)： Zhang Kun (State Key Laboratory of Advanced Design and Manufacturing for Vehicle Body, Hunan University, Changsha 410082, China) ,  Chen Ning (State Key Laboratory of Advanced Design and Manufacturing for Vehicle Body, Hunan University, Changsha 410082, China) ,  Liu Jian (State Key Laboratory of Advanced Design and Manufacturing for Vehicle Body, Hunan University, Changsha 410082, China) ,  Beer Michael (Institute for Risk and Reliability, Leibniz Universitaet Hannover, Callinstr. 34, Hannover, Germany) ,  Beer Michael (Institute for Risk and Uncertainty, University of Liverpool, Peach Street, L69 7ZF Liverpool, United Kingdom) ,  Beer Michael (International Joint Research Centre for Engineering Reliability and Stochastic Mechanics, Tongji University, Shanghai 200092, China)
資料名： Computer Methods in Applied Mechanics and Engineering  (Computer Methods in Applied Mechanics and Engineering)
巻： 391  ページ： Null  発行年： 2022年 
JST資料番号： E0856A  ISSN： 0045-7825  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： 製造と組立誤差の影響,材料の性能劣化,外部負荷,およびサービス中の環境の予測可能性のため,構造応答解析は時間不変不確実性と時変不確実性を同時に考慮するべきである。本論文では,ランダム変数と確率過程による混合不確実性モデルを採用して,この問題を処理した。アンサンブル学習と組み合わせたゲートリカレントユニット(GRU)を用いた再帰ニューラルネットワークに基づいて,時変不確かな構造応答解析法を提案した。提案方法において,ランダム変数のラテンハイパーキューブサンプリング(LHS)を実行することによって,多重GRUネットワークを,固定ランダム変数の下で時変システム応答を推定するために訓練することができた。訓練GRUモデルのプロセスの間,アクティブ学習戦略を開発し,モデル精度を改善し,訓練サンプルを減らすために適用した。これに基づき,訓練されたGRUモデルを用いて,一組の拡張データを生成した。次に,Gauss過程(GP)回帰によるランダム変数と構造応答の間の写像関係を,それに応じて構築した。最終的に,GRUネットワークとGPモデルを統合することによって,時変不確かな構造応答のグローバル代理モデルを得ることができる。2つの数値例を用いて,提案した方法の有効性と精度を実証した。結果は,提案方法がランダム変数と確率過程によって混合不確実性モデルの下でシステム応答の期待値と標準偏差を効果的に計算できることを示した。さらに,それは計算精度を確実にする前提の下でより高い計算効率を有した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *応答 ,  写像 ,  ネットワーク ,  標準偏差 ,  *不確実性 ,  ニューラルネットワーク ,  期待値 ,  Gauss過程 ,  変数 ,  多重化 ,  モデル
準シソーラス用語： 能動学習 ,  *アンサンブル学習 ,  計算効率 ,  ランダム変数 ,  *構造応答 , 【Automatic Indexing@JST】

著者キーワード (5件)： GRU ,  時変応答 ,  アクティブ学習 ,  Gauss過程 ,  アンサンブル学習

分類 (2件)： 構造動力学  (HD02000E) ,  構造力学一般  (HD01000X)

タイトルに関連する用語 (4件)： 時 ,  不確定 ,  応答解析 ,  アンサンブル学習