PL
 |
EN
Preferencje help
Polish version English version Język
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 12

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
1
Content available remote Sequential stochastic identification of elastic constants using Lamb waves and particle filters
Słoński M.
Computer Assisted Methods in Engineering and Science
|
2014
|
Vol. 21, no. 1
15--26
EN
Sequential stochastic identification of elastic parameters of thin aluminum plates using Lamb waves is proposed. The identification process is formulated as a Bayesian state estimation problem in which the elastic constants are the unknown state variables. The comparison of a sequence of numerical and pseudoexperimental fundamental dispersion curves is used for an inverse analysis based on particle filter to obtain sequentially the elastic constants. The proposed identification procedure is illustrated by numerical experiments in which the elastic parameters of an aluminum thin plate are estimated. The results show that the proposed approach is able to identify the unknown elastic constants sequentially and that this approach can be also useful for the quantification of uncertainty with respect to the identified parameters.
2
Content available remote Particle filtering for computer vision-based identification of frame model parameters
Tekieli M., Słoński M.
Computer Assisted Methods in Engineering and Science
|
2014
|
Vol. 21, no. 1
39--48
EN
In this paper we present a new approach for solving identification problems based on a novel combination of computer vision techniques, Bayesian state estimation and finite element method. Using our approach we solved two identification problems for a laboratory-scale aluminum frame. In the first problem, we recursively estimated the elastic modulus of the frame material. In the second problem, for the known elastic constant, we identified sequentially the position of a quasi-static concentrated load.
3
Content available Application of Monte Carlo filter for computer vision-based Bayesian updating of finite element model
Tekieli M., Słoński M.
Mechanics and Control
|
2013
|
Vol. 32, no. 4
171--177
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.
4
Content available remote Zastosowanie metody Gaussowskiego procesu do identyfikacji charakterystyk zagęszczenia gruntów ziarnistych
Kłos M., Słoński M., Waszczyszyn Z.
Zeszyty Naukowe Politechniki Rzeszowskiej. Budownictwo i Inżynieria Środowiska
|
2012
|
z. 59, nr 3/IV
41-48
PL
W pracy zastosowano metodę bayesowską Gaussowskiego Procesu (GP). Metoda wyróżnia się brakiem wektora wag i użyciem funkcji kernelowskich oraz macierzy kowariancji w przestrzeni danych wejściowych. Dzięki temu w GP można było formułować stosunkowo proste algorytmy i procedury komputerowe. GP zastosowano do identyfikacji dwóch charakterystyk zagęszczenia gruntów ziarnistych, tj. wilgotności optymalnej oraz maksymalnej gęstości objętościowej. Celem sprawdzenia numerycznej efektywności GP zastosowano ją do analizy nowych danych pomiarowych opisanych w [2], analizowanych w [4] za pomocą semi-baysowskiej sieci neuronowej (SBNN). Wykazano, że dokładność identyfikacji metodą GP jest porównywalna z zaletami SBNN.
EN
In the paper the Gaussian Process (GP) model is discussed as a simple Bayesian for approach to identification analysis. In GP model the weight vector is not applied, which makes the algorithms and computational procedures simpler than those formulated in the Semi-Bayesian Neural Network (SBNN). In the paper it was numerically proved that the application of GP to the identification of compaction parameters for granular soils is numerically efficient, comparable for GP and SBNN applications.
5
Content available remote Gaussian mixture model for time series-based structural damage detection
Słoński M.
Computer Assisted Methods in Engineering and Science
|
2012
|
Vol. 19, no. 4
331-338
EN
In this paper, a time series-based damage detection algorit hm is proposed using Gaussian mixture model (GMM) and expectation maximization (EM) framework. The vib ration time series from the structure are modelled as the autoregressive (AR) processes. The first AR coefficients are used as a feature vector for novelty detection. To test the efficacy of the damage detec tion algorithm, it has been tested on the pseudo-experimental data obtained from the FEM model of the ASCE benchmark frame structure. Results suggest that the presented approach is able to detect mainly major and moderate damage patterns
6
Content available remote Bayesian neural networks and Gaussian processes in identification of concrete properties
Słoński M.
Computer Assisted Mechanics and Engineering Sciences
|
2011
|
Vol. 18, no. 4
291-302
EN
This paper gives a concise overview of concrete properties prediction using advanced nonlinear regression approach and Bayesian inference. Feed-forward layered neural network (FLNN) with Markov chain Monte Carlo stochastic sampling and Gaussian process (GP) with maximum likelihood hyperparameters estimation are introduced and compared. An empirical assessment of these two models using two benchmark problems are presented. Results on these benchmark datasets show that Bayesian neural networks and Gaussian processes have rather similar prediction accuracy and are superior in comparison to linear regression model.
7
Content available remote Maksimum całkowitej wiarygodności zamiast walidacji krzyżowej w projektowaniu sztucznych sieci neuronowych
Waszczyszyn Z., Słoński M.
Zeszyty Naukowe Politechniki Rzeszowskiej. Budownictwo i Inżynieria Środowiska
|
2007
|
z. 45 {243}
173-185
PL
Metoda krzyżowej walidacji jest powszechnie stosowana do projektowania Sztucznych Sieci Neuronowych (SSN). W pracy projektowanie odnosi się do obliczania optymalnych wartości parametru regularyzacji lub liczby neuronów w warstwie ukrytej SSN. Metoda krzyżowej walidacji opiera się na obliczaniu wartości minimalnej krzywej walidacji, gdyż krzywa uczenia jest funkcją monotonicznie malejącą wymienionych parametrów regularyzacji. Celem zmiany kryterium projektowania SSN oparto się na krzywej maksymalnej wiarygodności, stosowanej w podejściu bayesowskim. W kryterium MML (Maximum Marginal Likelihood) oblicza się maksimum funkcji całkowitej wiarygodności lnCW(PR; L), gdzie CW jest prawdopodobieństwem całkowitej wiarygodności, a L liczebnością zbioru uczącego. Efektywność proponowanego podejścia wykazano na dwóch przykładach liczbowych. Otrzymane wyniki prowadzą do wniosku, że kryterium MML może być stosowane zamiast metody krzyżowej walidacji. Taki wniosek ma znaczenie praktyczne, zwłaszcza w przypadku małych zbiorów danych, gdyż umożliwia projektowanie SSN bez formułowania zbioru walidującego.
EN
The cross-validation method is commonly applied in the design of Artificial Neural Networks (ANNs). In the paper the design of ANN is related to searching of an optimal value of the regression parameter or the number of neurons in the hidden layer of network. The cross-validation error has a minimal value, vs. the training error curve which is monotonically decreasing. In order to change the design criterion, the marginal likelihood curve, taken from Bayesian approach, can be used. A corresponding formula for the plotting of the curve is shortly discussed. The criterion MML (Maximum Marginal Likelihood), applied to find optimal values of design parameters, is illustrated on two numerical examples. The obtained results enable us to formulate a conclusion that the criterion MLM can be used instead of the cross-validation method. This conclusion if of practical value (especially for small data sets), since it permits to design ANNs without formulation of a validation set of patterns.
8
Content available remote HPC strength prediction using Bayesian neural networks
Słoński M.
Computer Assisted Mechanics and Engineering Sciences
|
2007
|
Vol. 14, No. 2
345-352
EN
The objective of this paper is to investigate the efficiency of nonlinear Bayesian regression for modelling and predicting strength properties of high-performance concrete (HPC). A multilayer perceptron neural network (MLP) model is used. Two statistical approaches to learning and prediction for MLP based on the likelihood function maximization and Bayesian inference are applied and compared. Results of experimental data sets show that Bayesian approach for MLP offers some advantages over classical one.
9
Bayesian neural networks for prediction of response spectra
Waszczyszyn Z., Słoński M.
Foundations of Civil and Environmental Engineering
|
2006
|
No. 7
343-361
EN
Standard artificial neural networks and Baycsian neural networks (BNNs) are briefly discussed on example of a simple feed-forward layered neural networks (FLNN). Main ideas of the Baycsian approach and basics of the applied BNNs are presented in short. A study case corresponds to prediction of Displacement Response Spectrum inside buildings at the basement level (DRSb). Data for network training and testing were adopted as DRS corresponding to the preprocessed accelerograms. They were taken from measurements in the Lcgnica-Gtogow Copperfield at monitored 5-storey buildings subjected to paraseismic excitations from explosives in nearby strip mines. Results of neural predictions by three NNs (standard FLNN trained by means of the conjugate gradient learning method, Simple Bayesian SBNN and Full Bayesian FBNN) are presented. The errors of predictions are on average on the level of 4% errors.
10
Content available remote Bayesian regression approaches on example of concrete fatigue failure prediction
Słoński M.
Computer Assisted Mechanics and Engineering Sciences
|
2006
|
Vol. 13, No. 4
655-668
EN
The focus of this paper is the application of two nonlinear regression models in the context of Bayesian inference to the problem of failure prediction of concrete specimen under repeated loads based on experimental data. These two models are compared with an empirical formulae. Results on testing data show that both models give better point predictions than empirical formulae. Moreover, Bayesian regression approach makes it possible to calculate prediction intervals (error bars) describing the reliability of the models predictions.
11
Content available remote Prediction of concrete fatigue durability using Bayesian neural networks
Słoński M.
Computer Assisted Mechanics and Engineering Sciences
|
2005
|
Vol. 12, No. 2-3
259-265
EN
The utility of Bayesian neural networks to predict concrete fatigue durability as a function of concrete mechanical parameters of a specimen and characteristics of the loading cycle is investigated. Bayesian approach to learning neural networks allows automatic control of the complexity of the non-linear model, calculation of error bars and automatic determination of the relevance of various input variables. Comparative results on experimental data set slow that Bayesian neural networks works well.
12
Content available Analysis of some problems of experimental mechanics and biomechanics by means the anfis neuro-fuzzy system
Waszczyszyn Z., Słoński M.
Journal of Theoretical and Applied Mechanics
|
2000
|
Vol. 38 nr 2
429-445
EN
The Adaptive Neuro-Fuzzy Inference System (ANFIS) has been applied to the analysis of three problems: prediction of fundamental periods of vibrations of 5-storey prefabricated buildings, estimation of proximal femur strength, estimation of fracture toughness of dense concret. The results obtained by means of ANFIS are compared with those empirical formulae and forward neural networks. The ANFIS results have been proven to be superior.
PL
Analiza wybranych zagadnień doświadczalnej mechaniki i biomechaniki za pomocą neuro-rozmytego systemu ANFIS. Adaptacyjny neuro-rozmyty system ANFIS został zastosowany do analizy trzech problemów: określenie podstawowych okresów drgań 5-piętrowych budynków prefabrykowanych, określenie wytrzymałości górnej części kości udowych oraz oszacowanie odporności na zniszczenie betonów ciężkich. Wyniki otrzymane za pomocą systemu ANFIS porównano z wynikami, jakie dają wzory empiryczne i jednokierunkowe sieci neuronowe. Wykazano, że najlepszą dokładność daje system ANFIS.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.