面向基于群体的损伤预测资源分配的主动学习方法
机器学习
2024-09-30 v1
摘要
损伤预测可以说是结构健康监测 (SHM) 中最困难的任务之一。为了解决损伤预测的常见问题，当前工作采用了基于群体的 SHM (PBSHM) 方法。在该方法中，预测问题被视为一个信息共享问题，其中利用来自过去结构的数据对当前退化结构做出更准确的推断。对于给定群体，可用于进行监测的资源可能存在限制；因此，当前工作研究了在退化结构群体中分配此类资源的问题，以期最大化损伤预测精度。当前框架的挑战主要在于，在给定损伤演化现象部分数据的情况下，对损伤演化水平上的异常值进行推断。当前方法考虑了一个广泛观测到损伤演化的初始结构群体。随后，考虑了第二个具有演化损伤的结构群体，该群体有两种可用的监测系统：一种是低可用性、高保真度（低不确定性）的系统，另一种是广泛可用、低保真度（高不确定性）的系统。当前工作的任务是遵循主动学习方法，识别应将高保真度系统分配给哪些结构，以增强机器学习模型在整个群体中的预测能力。
关键词
引用
@article{arxiv.2409.18572,
title = {Towards an active-learning approach to resource allocation for population-based damage prognosis},
author = {George Tsialiamanis and Keith Worden and Nikolaos Dervilis and Aidan J Hughes},
journal= {arXiv preprint arXiv:2409.18572},
year = {2024}
}