基于多层次循环神经网络的铁轨裂纹传播预测

Sep, 2023

基于多层次循环神经网络的铁轨裂纹传播预测

Rail Crack Propagation Forecasting Using Multi-horizons RNNs

Sara Yasmine Ouerk, Olivier Vo Van, Mouadh Yagoubi

TL;DR铁路裂纹长度传播的预测在材料和结构的维护和安全评估中起着至关重要的作用。近年来，机器学习技术，特别是循环神经网络 (RNNs)，已经成为时间序列预测的有前途的方法。通过收集包括历史裂纹长度测量和可能影响裂纹生长的相关外生因素在内的法国铁路网络的真实数据，该方法首先进行了预处理，以准备一致的学习数据集。然后，设计了适当的贝叶斯多视角循环架构来建模裂纹传播现象。得到的结果表明，多视角模型优于 LSTM 和 GRU 等最先进模型。

Abstract

The prediction of rail crack length propagation plays a crucial role in the maintenance and safety assessment of materials and structures. Traditional methods rely on physical models and empirical equations such as Paris law, which often have limitations in capturing the complex nature

rail crack length propagation machine learning techniques recurrent neural networks time series forecasting bayesian multi-horizons recurrent architecture

发现论文，激发创造

利用循环神经网络在陆面模型中实现河水路由

借助机器学习和递归神经网络 (RNNs) 的方法，通过物理模型替代或补充，本研究针对水文学中全球河流预测的问题进行了研究，并发现 RNNs 在流域和时间的泛化能力上的高性能，为全球流域数量预测提供了新方法和证据。

Apr, 2024

一种用于多步风力预测的并行 CNN-RNN 方法

本文提出了一种融合卷积神经网络和循环神经网络的 CNN-RNN 结构，使用来自地理网格多个点的气象数据和风电场的时间信息进行日前风电预测，并在全球预测中取得了较好的结果，与传统模型相比，更好的实现了空间特征提取。

Jan, 2023

扩散卷积循环神经网络：基于数据的交通预测

本文提出了一种用于交通预测的新型深度学习架构 Diffusion Convolutional Recurrent Neural Network (DCRNN)，通过在有向图上进行双向随机游走来捕捉交通流的空间依赖性，通过编码器 - 解码器结构和计划采样来捕捉时间依赖性。在两个真实的大规模交通数据集上评估这个架构并观察到相对于现有技术的改进幅度在 12％-15％之间。

Jul, 2017

網裂預測：複合材料中裂紋擴展的預測

提出了一种称为 Crack-Net 的深度学习框架，它通过结合裂纹演化与应力响应之间的关系来预测复合材料的断裂过程。通过在高精度裂纹发展数据集上进行训练，Crack-Net 展示了准确预测给定复合材料设计的裂纹生长模式和应力 - 应变曲线的显著能力。Crack-Net 捕捉了裂纹生长的基本原理，使其能处理更复杂的微结构，并采用迁移学习进一步提高了对不同强度增强材料的泛化能力。这种提出的 Crack-Net 在工程和材料科学的实际应用中具有巨大的潜力，其中准确和高效的断裂预测对于优化材料性能和微观结构设计至关重要。

Sep, 2023

使用循环神经网络预测飓风路径

应用全连接循环神经网络预测飓风路径，在经过对飓风数据的纬度、经度、风速、气压的分析后，该方法表现良好，并可用于预测至多约 120 小时的飓风路径。

Feb, 2018

基于距离相关性的方法对循环神经网络在时间序列预测中的有效性进行表征

通过距离相关度的多功能度量方法，我们研究了 RNNs 的组成部分与时间序列特征之间的联系并解释了它们的性能差异。我们发现 RNN 的激活层能够很好地学习时间序列的滞后结构，但在连续几个层中逐渐丧失了该信息，从而降低了具有较大滞后结构的序列的预测质量。我们还发现激活层无法充分建模移动平均和异方差时间序列过程，并通过热图可视化不同网络超参数选择下的激活层进行比较，以识别其对预测性能的影响。因此，我们的研究结果可以帮助从业者在无需进行实际训练和评估网络的情况下评估 RNNs 在给定时间序列数据上的效果。

Jul, 2023

基于长短期记忆模型的多元工业时间序列防篡改检测仿真

基于 LSTM 神经网络的多元时间序列数据监测和故障检测，采用 Modelica 模型进行验证，引入阈值筛选机制并过滤超出操作者兴趣范围的故障。

Dec, 2016

使用深度神经网络进行相关时间序列预测：结果概述

本文提出两种深度学习模型来准确预测相关时间序列，第一个模型在每个时间序列上使用卷积神经网络，第二个模型通过在每个时间序列上添加自编码器，实现了多任务学习。在两个现实世界的相关时间序列数据集上，实验证明所提出的两种模型有效且优于大多数基线。

Aug, 2018

时间序列预测的循环神经网络

本文介绍了一种基于递归神经网络的时间序列预测框架，包括特征工程、特征重要性、点和区间预测以及预测评估，并使用 LSTM 和 GRU 网络进行了实证研究。

Jan, 2019

一种用于农作物产量预测的 CNN-RNN 框架

该研究提出了一种使用深度学习框架的 CNN-RNN 模型，基于环境数据和管理实践来进行作物产量预测，能够有效地捕捉时间依存性，泛化性和预测精度，具有广泛的应用前景。

Nov, 2019