结构动力学中机器学习不确定性导航：正问题和反问题中概率与非概率方法的全面综述

在大数据时代，机器学习（ML）已成为各领域的强大工具，对结构动力学产生了显著影响。ML算法通过基于数据建模物理现象而具有优势，即使在缺乏底层机制的情况下也是如此。然而，测量噪声和建模误差等不确定性可能损害ML预测的可靠性，这凸显了有效不确定性意识对于提升预测鲁棒性的必要性。本文对ML中的不确定性导航进行了全面综述，将不确定性感知方法分为概率方法（包括贝叶斯和频率主义视角）和非概率方法（如区间学习和模糊学习）。以不确定性量化和非线性映射能力著称的贝叶斯神经网络被强调其优越性能和潜力。该综述涵盖了应对ML中不确定性的各种技术和方法论，讨论了每种方法的基础和实施程序。虽然提供了基本概念的简要概述，但论文避免了深入的关键解释。每种方法的优势和局限性得到了审视，以及它们在结构动力学正问题（如响应预测、灵敏度评估和可靠性分析）和反问题（如系统识别、模型更新和损伤识别）中的应用。此外，该综述识别了研究空白并提出了未来研究方向，旨在为研究界提供全面的见解。通过提供概率和非概率方法的广泛概述，本综述旨在帮助研究人员在利用ML技术应对结构动力学问题中的不确定性时做出明智决策。