抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
強力なアプローチと構造健全性監視(SHM)における最も一般的なものの一つは,構造とそれらの条件について予測と推論を行うために,データ駆動モデルを使用することである。そのような方法は,データの品質に殆ど依存する。SHM規律内では,データは与えられたタスクに対して十分な精度を持つモデルの構築に必ずしも十分ではない。より悪い場合でも,データは,異なる環境条件での構造の挙動に関して,1つのデータセットから完全に欠落するかもしれない。本研究では,このような課題に直面する観点から,生成敵対ネットワーク(GAN)アルゴリズムの変動を用いた人工データの生成を用いた。前述の変化は条件付きGANまたはcGANのものである。アルゴリズムは,人工データを生成するだけでなく,いくつかの既知のパラメータに従って多様体の変換を学ぶために使用する。構造応答が多様体の点によって表現されると仮定すると,空間の一部は構造に影響する外部条件の変化により形成される。このアイデアは,環境係数の特定の値に対する構造データを生成するために利用されるので,SHMにおいて効率的であることを証明した。このスキームを,種々の温度と湿度条件下で動作する模擬構造に適用した。cGANは,いくつかの範囲内で温度のいくつかの離散値に対してデータ上で訓練され,この範囲のすべての温度に対して十分な精度でデータを生成することができる。類似問題における古典的回帰と比較して,新規性は,cGANが構造に影響する未知の環境パラメータを可能にし,既知のパラメータのあらゆる値に対するデータの全多様体を生成することができるが,未知のものは生成された多様体内で変化する。【JST・京大機械翻訳】