文献

J-GLOBAL ID：202202241878233114   整理番号：22A1049285

再加重敵対領域適応による構造損傷検出のための知識移転【JST・京大機械翻訳】

Knowledge transfer for structural damage detection through re-weighted adversarial domain adaptation

著者 (2件)： Wang Xiaoyou (Department of Civil and Environmental Engineering, The Hong Kong Polytechnic University, Kowloon, Hong Kong, PR China) ,  Xia Yong (Department of Civil and Environmental Engineering, The Hong Kong Polytechnic University, Kowloon, Hong Kong, PR China)
資料名： Mechanical Systems and Signal Processing  (Mechanical Systems and Signal Processing)
巻： 172  ページ： Null  発行年： 2022年 
JST資料番号： T0514A  ISSN： 0888-3270  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： 深層学習(DL)技術は,ネットワークを大きなデータから損傷に敏感な特徴に訓練することによる構造損傷検出のために開発されている。しかし,ほとんどの技術は訓練データと同じ分布を持つデータセット上でのみよく機能している。環境条件または構造サイズが変化するとき,ラベル付きデータを再収集することによって,ネットワークを再訓練する必要がある。これは,多くの橋が,同じトポロジーだが異なるサイズを持つかもしれないので,実際の構造の損傷検出へのDL技術の適用を制限するが,一方,ラベル付き損傷データの再収集は,高価であり,構造健全性監視においてしばしば実行不可能であった。再加重広告領域適応(RADA)法を開発し,ラベル付きデータを再収集することなく,1つの構造に訓練されたネットワークを一般化した。損傷が不可逆的であるので,構造の損傷ケースは,異なる可能性がある。ソースとターゲットドメイン間の矛盾したラベル空間を考慮して,重みパラメータを導入し,DAプロセスにおける共有ラベル空間の重要性を改善した。RADAネットワークは,発電機と2つの分類器を敵対的に訓練することによって,新しい構造の損傷検出のための損傷感受性とドメイン不変特徴を学習する。提案方法を,2種類の知識転送,すなわち,1つの構造から,異なるサイズと数値モデルから実験構造へ適用した。用例は,RADAネットワークが,DAのないネットワークや再重み付け機構のないネットワークと比較して,矛盾したラベル空間を有する移動学習問題における分類精度を著しく改善することを示した。この方法は,ラベル不足を伴う他の教師なし分類問題にも拡張できる。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： 位相幾何学 ,  学習 ,  広告 ,  ネットワーク ,  感受性 ,  適応 ,  重みづけ ,  *損傷 ,  不可逆性 ,  *損傷検出
準シソーラス用語： 訓練データ ,  環境条件 ,  構造ヘルスモニタリング ,  数値モデル ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 構造損傷検出 ,  深層学習 ,  知識移転 ,  敵対的ドメイン適応 ,  矛盾のないラベル空間

分類 (2件)： 飛しょう体の設計・構造  (QK04010H) ,  送風機,圧縮機,風車  (QD03000U)

タイトルに関連する用語 (5件)： 加重 ,  敵対 ,  適応 ,  損傷検出 ,  知識移転