用于裂纹扩展的约束递归贝叶斯预测
机器学习
2024-10-22 v1 机器学习
摘要
铁路基础设施（尤其是铁轨）的预测性维护对于确保安全至关重要。然而，由于内在因素和外部因素之间复杂的相互作用以及测量不确定性，准确预测裂纹演化是一个重大挑战。有效的建模需要多维方法以及对这种动态和不确定性的全面理解。受一个基于收集到的包含实测裂纹长度的真实数据的工业用例的启发，本文介绍了一种稳健的贝叶斯多时间范围方法，用于预测铁轨上裂纹长度的时间演化。该模型捕捉了影响裂纹生长的各种因素之间复杂的相互作用。此外，贝叶斯方法量化了认知不确定性和偶然不确定性，为预测提供了置信区间。为了提高模型在铁路维护中的可靠性，加入了特定的约束条件。这些约束限制了非物理的裂纹扩展行为，并优先考虑安全性。研究结果揭示了预测精度与约束满足之间的权衡，突出了模型训练中微妙的决策过程。本研究为动态时间预测（特别是在铁路维护中）提供了先进预测建模的见解，并具有在其他领域的潜在应用。
引用
@article{arxiv.2410.14761,
title = {Constrained Recurrent Bayesian Forecasting for Crack Propagation},
author = {Sara Yasmine Ouerk and Olivier Vo Van and Mouadh Yagoubi},
journal= {arXiv preprint arXiv:2410.14761},
year = {2024}
}