文献

J-GLOBAL ID：202202219555149379   整理番号：22A0682195

長大橋の渦誘起振動を自動的に分類するための教師付き学習技術の利用【JST・京大機械翻訳】

Using supervised learning techniques to automatically classify vortex-induced vibration in long-span bridges

著者 (3件)： Lim Jaeyeong (Institute of Construction and Environmental Engineering, Seoul National University, South Korea) ,  Kim Sunjoong (Department of Civil Engineering, University of Seoul, South Korea) ,  Kim Ho-Kyung (Department of Civil and Environmental Engineering, Seoul National University, South Korea)
資料名： Journal of Wind Engineering and Industrial Aerodynamics  (Journal of Wind Engineering and Industrial Aerodynamics)
巻： 221  ページ： Null  発行年： 2022年 
JST資料番号： B0440B  ISSN： 0167-6105  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 高い柔軟性と低い減衰能力のため,長大スパン橋は運転条件下で渦誘起振動(VIV)を受ける。機械学習アルゴリズムによる長期モニタリングデータは,長スパン橋のVIV評価を自動化する可能性を示した。これらの方法は大量のラベル付きデータを必要とするが,そのようなデータを得ることはVIVデータセットの限られたアベイラビリティのために通常は実現できない。本研究はVIVのための自動分類法を開発するために教師つき学習技術を利用した。手動データラベリングに対処し,最適モデルを開発するために,3段階戦略を提示した。1)半教師つきラベリング,2)深層ニューラルネットワーク(DNN)訓練,3)最適パラメータ範囲の同定。最初に,半教師つきラベリングを用いて,データセットをVIVまたは非VIVクラスのいずれかに自動的にラベル付けした。第二に,DNNモデルを,ラベル付きデータの風と振動特性を用いて訓練した。最後に,最適パラメータ範囲を,分類試験データセットのピーク因子分布,混乱行列,および対応する速度振幅曲線を分析することによって決定した。実際のモニタリングデータに基づく分類性能を評価するために,長スパン,斜張橋へのモデルの適用を説明した。提案した標識過程によるDNNはVIVの一貫した正確な検出を示した。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： 振幅 ,  自動化 ,  自動分類 ,  スパン ,  *長大橋 ,  監視 ,  斜張橋 ,  アベイラビリティ ,  *教師つき学習 ,  柔軟性 ,  *渦励振 ,  カオス ,  学習アルゴリズム
準シソーラス用語： 振動特性 ,  運転条件 , 【Automatic Indexing@JST】

分類 (2件)： 吊橋,斜張橋,その他  (RC06050Q) ,  物体の周りの流れ  (BC02040N)

タイトルに関連する用語 (4件)： 長大橋 ,  渦誘起振動 ,  分類 ,  教師付き学習