基于多步长 RNN 的钢轨裂纹扩展预测
机器学习
2023-09-06 v1 人工智能
摘要
钢轨裂纹长度扩展的预测在材料与结构维护及安全评估中起着关键作用。传统方法依赖物理模型与诸如 Paris 定律的经验公式,往往难以刻画裂纹生长的复杂本质。近年来,机器学习技术尤其是循环神经网络(Recurrent Neural Networks, RNNs)已成为时间序列预测中有前景的方法。它们可对时间序列数据建模,并将外生变量纳入模型。所提方法包括采集法国铁路网真实数据,涵盖历史裂纹长度测量值及可能影响裂纹生长的相关外生因素。首先进行预处理以构建一致的学习数据集。随后,设计了一种合适的贝叶斯多步长循环架构来对裂纹扩展现象建模。所得结果表明,多步长模型优于 LSTM 与 GRU 等最先进模型。
引用
@article{arxiv.2309.01569,
title = {Rail Crack Propagation Forecasting Using Multi-horizons RNNs},
author = {Sara Yasmine Ouerk and Olivier Vo Van and Mouadh Yagoubi},
journal= {arXiv preprint arXiv:2309.01569},
year = {2023}
}