Application of Monte Carlo filter for computer vision-based Bayesian updating of finite element model

• Autorzy: Tekieli M. , Słoński M.

Identyfikatory

DOI

http://dx.doi.org/10.7494/mech.2013.32.4.171

Warianty tytułu

PL

Zastosowanie filtrów Monte Varlo do opartego na widzeniu komputerowym bayesowskiego strojenia modelu MES

• Języki publikacji: EN

Abstrakty

EN

In this paper we describe Bayesian inference-based approach to the solution of parametric identification problem in the context of updating of a finite element model of a structure. The proposed inverse solution is based on Monte Carlo filter and on the comparison of structure displacements extracted using digital image correlation method during a quasi-static loading and the corresponding displacements predicted by finite element method program. Our approach is applied to the problem of material model parameter identification of an aluminum laboratory-scale frame. The results are also verified by comparing the Monte Carlo filter-based solution with the analytical solution obtained using Kalman filter.

PL

Artykuł przedstawia zastosowanie podejścia opartego na wnioskowaniu bayesowskim do problemu identyfikacji parametrycznej w kontekście strojenia modelu MES konstrukcji. Proponowane rozwiązanie odwrotne opiera się na filtrze Monte Carlo oraz porównaniu przemieszczeń konstrukcji otrzymanych metodą korelacji obrazów cyfrowych podczas quasi statycznej próby obciążeniowej i odpowiadających im przemieszczeń przewidywanych przez program oparty na metodzie elementów skończonych. Nasze podejście zostało zastosowane do identyfikacji parametru modelu materiału aluminiowej ramki laboratoryjnej. Otrzymane wyniki porównano z wynikami otrzymanymi za pomocą filtru Kalmana.

Słowa kluczowe

EN

Bayesian inference; parametric identification; model updating; computer vision; Monte Carlo filter

PL

wnioskowanie bayesowskie; identyfikacja parametryczna; widzenie komputerowe; strojenie modelu; filtr Monte Carlo

• Wydawca: AGH University of Science and Technology Press
• Czasopismo: Mechanics and Control
• Rocznik: 2013
• Tom: Vol. 32, no. 4
• Strony: 171--177
• Opis fizyczny: Bibliogr. 12 poz., rys.

Twórcy

autor

Tekieli M.

• Institute for Computational Civil Engineering, Cracow University of Technology, Warszawska 24, 31-155 Cracow, Poland

autor

Słoński M.

• Institute for Computational Civil Engineering, Cracow University of Technology, Warszawska 24, 31-155 Cracow, Poland

Bibliografia

• 1. Babuška I., Nobile F., Tempone R. 2008, A systematic approach to model validation based on bayesian updates and prediction related rejection criteria. Computer Methods in Applied Mechanics and Engineering, 197(29), pp. 2517–2539.
• 2. Bradski G., Kaehler A. 2008, Learning OpenCV: Computer vision with the OpenCV library. O’Reilly.
• 3. Ching J., Beck J.L., Porter K.A. 2006, Bayesian state and parameter estimation of uncertain dynamical systems. Probabilistic Engineering Mechanics, 21(1), pp. 81–96.
• 4. Furukawa T., Pan J.W. 2010, Stochastic identification of elastic constants for anisotropic materials. International Journal for Numerical Methods in Engineering, 81(4), pp. 429–452.
• 5. Maier G., Bocciarelli M., Bolzon G., Fedele R. 2006, Inverse analyses in fracture mechanics, International Journal of Fracture, 138, pp. 47–73.
• 6. Mares C., Mottershead J.E., Friswell M.I. 2006, Stochastic model updating: part 1 – theory and simulated example. Mechanical Systems and Signal Processing, 20(7), pp. 1674–1695.
• 7. Miller B. 2011, Application of neural networks for structure updating. Computer Assisted Mechanics and Engineering Sciences, 18, pp. 191–203.
• 8. Nasrellah H.A., Manohar C.S. 2011, Finite element method based monte carlo filters for structural system identification. Probabilistic Engineering Mechanics, 26(2), pp. 294–307.
• 9. Oden T., Moser R., Ghattas O. 2010, Computer predictions with quantified uncertainty, part I. SIAM News, 43(9), pp. 1–4.
• 10. Roy C.J., Oberkampf W.L. 2011, A comprehensive framework for verification, validation, and uncertainty quantification in scientific computing. Computer Methods in Applied Mechanics and Engineering, 200(25), pp. 2131–2144.
• 11. Russel S., Norvig P. 2010, Artificial Intelligence: A Modern Approach. Prentice Hall, 3rd ed.
• 12. Tekieli M., Słonski M. 2013, Computer vision based method for real time material and structure parameters estimation using digital image correlation, particle filtering and finite element method. In Artificial Intelligence and Soft Computing, volume 7894 of Lecture Notes in Computer Science, pp. 624–633. Springer.