From augmentation to translation: Data generation by conditional hierarchical variational autoencoder, enhancing monitoring mooring systems in floating offshore wind turbines
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
The integrity of mooring systems in floating offshore wind turbines (FOWTs) is crucial, as their degradation alters the platform’s dynamic behavior. A robust machine learning-based health monitoring system that continuously monitors different mooring systems for FOWTs requires data under diverse health, operational, and metocean conditions. To this end, we propose a Conditional Hierarchical Variational Autoencoder (CHVAE) generative model designed for simultaneous data augmentation and domain translation to generate the required data. We train the model to learn the nonlinear relationships between healthy and minority-damaged fairlead tension records from the source mooring system across various sea states. CHVAE generates realistic damaged responses under diverse conditions by leveraging healthy data from the target mooring system. We first assess CHVAE’s ability to augment minority data based on majority distribution, validated on the Modified National Institute of Standards and Technology (MNIST) benchmark dataset. This experiment compares the performance of CHVAE variants with conventional and recent oversampling methods. Second, the open-source software OpenFast simulates the testing and training datasets for simultaneously data augmentation and domain translation on the Offshore Code Comparison Collaboration Continuation (OC4) semi-submersible platform (DeepCwind) FOWT benchmark. OpenFast and CHVAE records are compared through visual, statistical, and behavioral methodologies. Simulations utilize diverse wave seeds to represent excitation randomness and undetected damage severities, assessing CHVAE’s one-to-all capability. Generated records for unobserved sea states and damage severities closely mimic real behavior in downstream binary classification, illustrating the versatility of CHVAE for zero-shot, real-time damage identification. • Novel generator for real-scale time-series synthesis (CHVAE) • One-to-all CHVAE maps healthy data to a specified damage severity • Second CHVAE decoder estimates de-normalization parameters from minority distribution • Compared with oversampling baselines on the MNIST benchmark • CHVAE conducts domain translation to generate unseen damaged tension for OC4 FOWT
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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