深度学习加速基础设施网络可靠性分析
计算工程、金融与科学
2018-06-11 v1 人工智能
机器学习
摘要
自然灾害会对基础设施系统的功能造成灾难性影响，并导致严重的物理和社会经济损失。在预算限制下，优化这些系统的缓解、备灾、响应和恢复实践的决策至关重要。这需要准确且高效的方法来评估基础设施系统的可靠性。尽管已有大量研究采用蒙特卡洛方法评估自然灾害对基础设施系统的影响，但这些方法仍面临计算成本高的问题，因此对大型系统的适用性有限。本文提出了一种用于加速基础设施系统可靠性分析的深度学习框架。具体而言，构建并研究了两种不同的深度神经网络替代模型：(1) 一种分类器替代模型，用于加速网络的连通性判定；(2) 一种端到端替代模型，用于替代多个组件，如道路状态实现、连通性判定和连通性平均。该方法被应用于一个模拟研究，评估加利福尼亚州交通网络在极端概率地震事件下的两端连通性。数值结果突出了所提方法在加速交通系统两端可靠性分析方面的有效性，且预测精度极高。
引用
@article{arxiv.1708.08551,
title = {Deep Learning for Accelerated Reliability Analysis of Infrastructure Networks},
author = {Mohammad Amin Nabian and Hadi Meidani},
journal= {arXiv preprint arXiv:1708.08551},
year = {2018}
}