Online jointly estimation of hysteretic structures using the combination of central difference Kalman filter and Robbins–Monro technique
Notice bibliographique
Résumé
Rapid assessment of structural safety and performance right after the occurrence of significant earthquake shaking is crucial for building owners and decision-makers to make informed risk management decisions. Hence, it is vital to develop online and pseudo-online health monitoring methods to quantify the health of the building right after significant earthquake shaking. Many Bayesian inference–based methods have been developed in the past which allow the users to estimate the unknown states and parameters. However, one of the most challenging part of the Bayesian inference–based methods is the determination of the parameter noise covariance matrix. It is especially difficult when the number of unknown states and parameters is large. In this study, an effective online joint estimation method for nonlinear hysteretic structures, with consideration of degradation and pinching phenomena, is proposed. Simultaneous estimation of states and parameters is conducted using the combination of a central difference Kalman filter as an effective estimator and the Robbins–Monro stochastic approximation technique as the parameters noise covariance matrix regulator. The proposed algorithm is implemented on three shear buildings with 36, 54, and 90 unknown states and parameters. To verify the performance of the system identification method, robust simulations with synthetic measurement noises and modeling errors were generated using the Monte Carlo random simulation method. The result shows the proposed method can be used to estimate the unknown parameters and states of highly nonlinear systems efficiently and effectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».