Aug, 2024

机器学习在结构动态中的不确定性导航：前向与逆向问题中的概率与非概率方法的综合评审

HTML
PDF
TL;DR本研究解决了机器学习在结构动态预测中由于测量噪声和建模误差导致的可靠性问题，强调了不确定性意识的重要性。文章通过分类概率方法与非概率方法，对应对不确定性的各种技术进行了综合评审，特别强调了贝叶斯神经网络在性能与潜力上的优势。研究的最大贡献在于识别了研究缺口并建议未来研究方向，为学术界和实践者提供了全面的见解。
发现论文，激发创造
  • 科学机器学习中的不确定性量化：方法、指标和比较

    本文介绍了一个包含不确定性建模、解法和评估的完整框架，用于量化神经网络中包括噪声、有限数据、超参数、过度参数化、优化和采样误差及模型错误等多源的误差和不确定性，特别关注向无限维函数空间中的偏微分方程和操作映射的学习，包括一个在原型问题上进行的广泛的比较研究。

    Jan, 2022

  • 走向以人口信息为基础的结构动力数据驱动模型定义方法

    通过基于物理的方法和元学习算法开发适应于数据稀缺性问题的模型，为解决机器学习算法的不足和工业界对其不信任问题提供了一种可行的方案。

    Jul, 2023

  • 一种基于物理知识的机器学习模型用于动态载荷重构

    基于高斯过程回归的概率物理信息机器学习框架，通过测量挠度、速度或加速度来重建动力学力，适用于不完整和受污染的数据，可以用于考虑测量系统噪声的自然正则化方法，推测了格陵兰东桥的空气动力学响应，结果显示应用和预测的动态负荷之间存在良好的一致性，并可用于计算全局响应和所产生的内部力，该框架的应用包括验证设计模型和假设，以及辅助损伤检测和结构健康监测的预测。

    Aug, 2023

  • 基于贝叶斯神经网络的多变量回归材料性质预测的不确定性量化

    使用物理知识指导的贝叶斯神经网络（BNNs）进行材料预测，可实现准确的失效寿命预测和不确定性估计，提供决策依据。

    Nov, 2023

  • 基于物理信息的机器学习对非线性钢刚性框架结构地震响应预测

    该研究论文介绍了一种将科学原理和物理定律融入深度神经网络的新型物理信息机器学习（PiML）方法，用于建模非线性结构的地震响应，并通过模型降阶、长短期记忆网络（LSTM）和牛顿第二定律等特性，使模型具有相对稀疏数据的训练能力，同时提高了模型的准确性、可解释性和鲁棒性。

    Feb, 2024

  • 超越发展：部署机器学习模型用于结构工程应用的挑战

    通过两个实例，本文旨在阐明开发适用于应用的机器学习模型的挑战，强调了通过自适应采样、物理学知识导向的特征选择以及考虑模型复杂性和泛化能力来实施严格的模型验证技术的重要性。

    Apr, 2024

  • 利用参数化物理信息神经网络从全场数据进行确定性和统计校准的本构模型

    用参数物理信息神经网络参数化地、通过全场位移数据进行本构模型标定所提出的方法，在确定性标定和基于贝叶斯推断的不确定性估计方面均具有高准确性，并且与有限元方法标定的实验证实结果相吻合。

    May, 2024

  • 预测全场材料响应中的不确定性的贝叶斯神经网络

    基于机器学习的应力场预测和不确定性量化方法，以及对多样材料微观结构的系统比较和推断算法的不确定性估计。

    Jun, 2024

  • 基于有理多项式混沌展开的线性结构动力学模型的最大后验估计

    本研究解决了在结构动态模型中进行最大后验（MAP）估计时，计算需求高的问题。采用有理多项式混沌扩展(RPCE)代理模型和稀疏贝叶斯学习的方法，结合贝叶斯优化，以此减少模型评估次数，实现了高效的参数更新。结果表明，该方法在参数更新及模型设计优化方面具有显著效果。

    Aug, 2024

  • 通过物理启发神经网络进行动力系统响应估计和系统识别

    该研究解决了传统动力系统建模中的不准确性和传感器数据稀疏问题。通过采用物理启发神经网络（PINNs），研究首次将已知物理法则嵌入到神经网络的损失函数中，显著提高了对动态系统的状态和参数的估计。研究结果表明，PINNs在动态系统建模中展现出强大的潜力，特别是在面对不确定性和建模误差时。

    Oct, 2024