基于条件生成对抗网络生成参数化结构数据
机器学习
2022-03-04 v1
摘要
在结构健康监测（SHM）中，一种强大且最常见的方法是利用数据驱动模型对结构及其状态进行预测与推断。这类方法几乎完全依赖于数据质量。在 SHM 学科内，数据往往不足以针对给定任务建立具有满意精度的模型。更糟糕的是，关于结构在不同环境条件下行为的数据可能在数据集中完全缺失。在当前工作中，为应对此类问题，采用了一种生成对抗网络（GAN）算法的变体来生成人工数据。上述变体即为条件 GAN 或 cGAN。该算法不仅用于生成人工数据，还用于根据某些已知参数学习流形的变换。假设结构的响应由流形中的点表示，由于影响结构的外部条件变化，空间的一部分将由此形成。这一思想在 SHM 中被证明是高效的，因为它被用于针对特定环境系数值生成结构数据。该方案在此应用于一个在不同温度和湿度条件下运行的模拟结构。cGAN 在一些离散温度值（位于某范围内）的数据上训练，并能够以满意精度为该范围内每个温度生成数据。与类似问题中的经典回归相比，其新颖之处在于：cGAN 允许未知环境参数影响结构，并可为已知参数的每个值生成整个数据流形，而未知参数在生成的流形内变化。
引用
@article{arxiv.2203.01641,
title = {On generating parametrised structural data using conditional generative adversarial networks},
author = {G. Tsialiamanis and D. J. Wagg and N. Dervilis and K. Worden},
journal= {arXiv preprint arXiv:2203.01641},
year = {2022}
}