条件深度生成模型作为结构健康监测应用中带量化不确定性的空间场解重构代理模型
机器学习
2024-07-08 v1 人工智能
摘要
近年来，为描述物理系统而构建的计算模型日益复杂，导致代理模型的使用增加以降低计算成本。在结构健康监测(SHM)相关问题中，需要能够同时处理高维数据并量化不确定性的模型。本文旨在提出一种面向此类应用及一般高维随机结构模拟的条件深度生成模型作为代理模型。为此，采用利用卷积神经网络(CNNs)的条件变分自编码器(CVAE)来获取受随机载荷作用的结构单元的空间有序结构响应量的重构。利用两个受潜在SHM应用启发的数值算例来展示该代理模型的性能。与参考有限元(FE)解相比，该模型能够实现高重构精度，同时成功编码载荷不确定性。
引用
@article{arxiv.2302.08329,
title = {Conditional deep generative models as surrogates for spatial field solution reconstruction with quantified uncertainty in Structural Health Monitoring applications},
author = {Nicholas E. Silionis and Theodora Liangou and Konstantinos N. Anyfantis},
journal= {arXiv preprint arXiv:2302.08329},
year = {2024}
}
备注
28 pages, 14 figures. Submitted to Elsevier Journal for publication