面向结构健康监测应用中随机裂纹扩展过程的代理建模
机器学习
2023-10-12 v1 人工智能
机器学习
摘要
疲劳裂纹扩展是金属结构中最常见的劣化类型之一，对其可靠性具有显著影响。结构健康监测（SHM）的最新进展推动了利用结构响应数据在不确定性下预测未来裂纹扩展，以实现向预测性维护的转型。在随机裂纹扩展（SCG）过程中准确表征不同不确定性来源是一项非平凡的任务。本工作基于先前关于在材料与载荷相关不确定性下的物理驱动 SCG 建模的研究。此处旨在构建计算高效的、概率性的 SCG 过程代理模型，以成功编码这些不同不确定性来源。采用受潜变量建模启发的方法，利用高斯过程（GP）回归模型使代理模型能够用作生成不同贝叶斯 SHM 任务的先验分布，作为感兴趣的应用。实现在数值环境下进行，并针对两个基础裂纹 SHM 问题评估模型性能；即裂纹长度监测（损伤量化）与裂纹扩展监测（损伤预后）。
引用
@article{arxiv.2310.07241,
title = {Surrogate modeling for stochastic crack growth processes in structural health monitoring applications},
author = {Nicholas E. Silionis and Konstantinos N. Anyfantis},
journal= {arXiv preprint arXiv:2310.07241},
year = {2023}
}
备注
20 pages, 9 figures. Preprint submitted to Elsevier journal