Machine Learning-Based Digital Twin Framework for Realistic Guided Wave Signal Generation, Applied to Reliability Assessment and Global Sensitivity Analysis in SHM
Notice bibliographique
Résumé
Abstract An ultrasonic guided wave-based structural health monitoring system has potential applications in mainy domains such as, the oil and gas industry, civil engineering, and aerospace. However, there are some inherent challenges, such as the sensitivity of the Guided Waves (GW) to environmental and operational conditions (EOCs), defect(s) size and location, and sensor(s) placement. Therefore, the reliability of detection systems based on GW requires validation. Simulation tools are often used to study the impact of the above-mentioned factors. However, the computational burden associated to extensive simulation campaigns is excessive. To increase the computational efficiency, this work proposes a machine learning-based Digital Twin (DT) framework. More specifically, the DT framework employed in this paper comprises a linear dimensionality reduction algorithm and fully connected neural networks that work as a metamodel. The performance of the DT is evaluated on a simulation configuration of Aluminum with uncertainties in instrumentation and damage size. The simulation data required for training are obtained from CIVA simulation platform. The predicted signals from the DT are quantified using misfit-based criteria targeting amplitude and phase aspects based on time-frequency transformation. The assessment of the results suggests that DT has captured all the dynamics of the signals, and the predicted signals are in good agreement with the simulated ones. Furthermore, the developed DT has been employed to efficiently carry out the probability of detection study for reliability assessment and sensitivity analysis based on the propagation of uncertainties.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».