基于最大熵的自学习局部最优超参数调优及机器学习方法在复合材料疲劳寿命估算中的比较
机器学习
2022-10-21 v1
摘要
结构健康监测(SHM)与机器学习(ML)技术相结合的应用增强了土木、航空航天和汽车基础设施的实时性能跟踪并提升了对结构完整性的认知。得益于新兴ML算法所提供的维护预见性及其处理大量数据并考虑其对问题影响的能力,这种SHM-ML协同近年来日益受到关注。本文中,我们开发了一种新颖的、基于最大熵原理的类最近邻ML算法,通过处理兰姆波(一种无损SHM技术)的信号以及其他有意义的特征(如由经典层合理论(CLT)计算的铺层参数和刚度矩阵)来预测复合材料中的疲劳损伤(Palmgren-Miner指数)。完整的数据分析流程应用于复合材料分层实验数据集。预测达到了良好的精度水平,与其他ML算法(如神经网络或梯度提升树)相近,且计算时间处于同一数量级。我们方案的主要优势为:(1)自动确定预测中涉及的所有参数,因此无需预先设置超参数,节省了用于模型超参数调优的时间,并且对于自主、自监督的SHM而言也是一项优势。(2)无需训练,在将数据流持续输入模型的在线学习(online learning)背景下,避免了重复训练——这对于可靠的实时、连续监测至关重要。
引用
@article{arxiv.2210.10783,
title = {Self-learning locally-optimal hypertuning using maximum entropy, and comparison of machine learning approaches for estimating fatigue life in composite materials},
author = {Ismael Ben-Yelun and Miguel Diaz-Lago and Luis Saucedo-Mora and Miguel Angel Sanz and Ricardo Callado and Francisco Javier Montans},
journal= {arXiv preprint arXiv:2210.10783},
year = {2022}
}