Bayesian-based system identification of a tilting pad journal bearingunder colored excitation
Notice bibliographique
Résumé
We introduce an output-only Bayesian identification scheme to infer a bearing's restoring forces under colored excitation in a hydroelectric generation unit. Numerical modelling of hydroelectric generating units has been a common challenge in engineering for years, because of the complexity and the diversity of the physics involved. Indeed, many physics coexist in a single system: electrical, magnetic, mechanical, fluid and fluid-structure interactions. One common way to model units is done through the insight of rotordynamics. In such a paradigm, a hydroelectric unit is seen as a rotating rotor whose subcomponents are modelled independently, then assembled in a finite element model. When comparing models to actual data, one major difficulty is to separate the contribution of each of the subcomponents. Indeed, studying the behavior of a substructure requires the knowledge of acting forces, which depend upon the rest of the system's characteristics. Here we leverage Bayesian inference to develop a system identification method based on physic-based models with the purpose of contributing to add physics into data-oriented digital twins. Our aim is to recover design parameters from actual observations of the physical asset. The result will ultimately be embedded in a digital twin for monitoring, diagnosis, and prognosis purposes. For validation, we use a linearized model for bearing dynamics to simulate validation data under different types of excitations. Ground-truth parameters are chosen according to the short hydrodynamic bearing theory. The unscented Kalman filter is combined with a Markov chain Monte Carlo algorithm and deployed to recover linear stiffness and damping coefficients. Since we assume a linear dynamic, a Gibbs sampling is implemented to estimate the excitation applied on the bearing.
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 | 0,000 | 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) | 0,002 | 0,001 |
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 ».