Intelligent Control of Building Vibrations: A Transformer-Based Deep Reinforcement Learning Framework
Notice bibliographique
Résumé
Deep reinforcement learning (DRL) has emerged as a promising methodology for optimizing control policies across diverse domains, despite its well-acknowledged high training costs.This paper delves into the application of transformer model-based DRL for vibration control in building structures.Specifically, we tackle the challenge of diminishing vibrations induced by external factors like wind or earthquakes.Our innovative method eliminates the necessity for online interaction with the simulation environment during training, offering a more resource-efficient approach.In our proposed framework, the DRL agent learns to dynamically adjust the control signal of a classical linear-quadratic regulator (LQR)-based model in real-time to alleviate building structure vibrations.Combining the proximal policy optimization (PPO) method with a deep neural network trained on experimental environment data using the transformer model, our approach utilizes input sensor data obtained from the structure.The DRL model then generates corrective signals that augment the LQR model's output.Through an experimental study on a small-scale 3-story building structure, we demonstrate the efficacy of our transformer-based DRL control.Our results highlight the superiority of our approach over the classical LQR model in terms of both training computational cost and vibration reduction.This underscores the potential of DRL in enhancing the functionality of construction frameworks when facing external disturbances.Moreover, our adaptable framework is simple to include in the building control systems now in use.with the potential for extension to various control challenges within the realm of structural engineering.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 | 0,000 |
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 ».