Unsupervised deep learning approach using a deep auto-encoder with a one-class support vector machine to detect damage
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This article proposes an unsupervised deep learning–based approach to detect structural damage. Supervised deep learning methods have been proposed in recent years, but they require data from an intact structure and various damage scenarios of monitored structures for their training processes. However, the labeling work on the training data is typically time-consuming and costly, and sometimes collecting sufficient training data from various damage scenarios of infrastructures in service is impractical. In this article, the proposed unsupervised deep learning method based on a deep auto-encoder with an one-class support vector machine only uses the measured acceleration response data acquired from intact or baseline structures as training data, which enables future structural damage to be detected. The major contributions and novelties of the proposed method are as follows. First, an appropriate deep auto-encoder is carefully designed through comparative studies on the depth of neural networks. Second, the designed deep auto-encoder is taken as an extractor to obtain damage-sensitive features from the measured acceleration response data, and an one-class support vector machine is used as a damage detector. Third, experimental and numerical studies validate the high accuracy of the proposed method for damage detection: a 97.4% mean average for a 12-story numerical building model and a 91.0% accuracy for a laboratory-scaled steel bridge. Fourth, the proposed method also detects light damage (i.e. a 10% reduction in stiffness) with 96.9% to 99.0% accuracy, which shows its superior performance compared with the current state of the art. Fifth, it provides stable and more robust damage detection performance with reduced tuning parameters.
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.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle