An unsupervised context-free forecasting method for structural health monitoring by generative adversarial networks with progressive growing and self-attention
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
Ensuring the robust operation of bridges demands swift and precise forecasting of structural performance within the health monitoring system. However, challenges arise in the realm of long-time series forecasting context-free data. These challenges encompass scenarios where there is a lack of reference data pre- and postforecasting, instances of missing data before forecasting (near-forecasting), or predictions of the distant future (far-forecasting). Addressing these issues, a current imperative is the development of a framework adept at efficiently and directly forecasting context-free long-time series data. This article introduces a framework, the convolutional generative adversarial network with progressive growing and self-attention (PSA-CGAN) mechanisms, tailored for forecasting context-free data. The approach employs generative adversarial networks in tasks related to long-time series. Additionally, progressive growing and self-attention mechanisms are harnessed to capture both long- and short-term features in the time series, notably enhancing the efficiency and accuracy of the forecasting method. The proposed method undergoes validation through application to two distinct bridge cases, confirming its generality and real-time forecasting prowess. On two bridges, PSA-CGAN can effectively predict acceleration data in various context-free scenarios and is capable of forecasting progressively changing damage data. It provides a valuable reference for predicting damage data. Additionally, the results indicate that PSA-CGAN is a promising and practical solution for the prediction of context-free data. It represents an efficient and rapid tool for damage prediction.
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 | 0,001 | 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 | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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