Quantifying the value of the information extracted from a structural health monitoring (SHM) system is an important step towards convincing decision makers to implement these systems. We quantify this value by adaptation of the Bayesian decision analysis framework. In contrast to previous works, we model in detail the entire process of data generation to processing, model updating and reliability calculation, and investigate it on a deteriorating bridge system. The framework assumes that dynamic response data are obtained in a sequential fashion from deployed accelerometers, subsequently processed by an output-only operational modal analysis scheme for identifying the system's modal characteristics. We employ a classical Bayesian model updating methodology to sequentially learn the deterioration and estimate the structural damage evolution over time. This leads to sequential updating of the structural reliability, which constitutes the basis for a preposterior Bayesian decision analysis. Alternative actions are defined and a heuristic-based approach is employed for the life-cycle optimization. By solving the preposterior Bayesian decision analysis, one is able to quantify the benefit of the availability of long-term SHM vibrational data. Numerical investigations show that this framework can provide quantitative measures on the optimality of an SHM system in a specific decision context.


翻译:对从结构健康监测系统(SHM)中提取的信息的价值进行量化,是说服决策者实施这些系统的一个重要步骤。我们通过调整巴伊西亚决定分析框架来量化这一价值。与以前的工作不同,我们详细模拟了整个数据生成过程,以便处理、进行模型更新和可靠性计算,并在日益恶化的桥梁系统中调查。框架假定,从部署的加速计中以顺序方式获得动态反应数据,随后通过一个只使用产出的操作模式分析办法处理,以确定系统模式特性。我们采用古典贝伊西亚模式更新方法,按顺序学习恶化情况,并估计结构损害的演变情况。这导致结构可靠性的顺序更新,这是贝伊西亚前决定分析的基础。确定了替代行动,并采用了基于超自然力的方法来优化生命周期。通过解决海湾前的决策分析,可以量化长期SHM振动数据的可得性。Numical调查显示,这一框架可以提供具体决定的最佳度的量化措施。

0
下载
关闭预览

相关内容

《计算机信息》杂志发表高质量的论文,扩大了运筹学和计算的范围,寻求有关理论、方法、实验、系统和应用方面的原创研究论文、新颖的调查和教程论文,以及描述新的和有用的软件工具的论文。官网链接:https://pubsonline.informs.org/journal/ijoc
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
LibRec 精选:连通知识图谱与推荐系统
LibRec智能推荐
3+阅读 · 2018年8月9日
人工智能 | 国际会议截稿信息9条
Call4Papers
4+阅读 · 2018年3月13日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Efficient and Effective $L_0$ Feature Selection
Arxiv
5+阅读 · 2018年8月7日
Arxiv
3+阅读 · 2018年1月31日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
LibRec 精选:连通知识图谱与推荐系统
LibRec智能推荐
3+阅读 · 2018年8月9日
人工智能 | 国际会议截稿信息9条
Call4Papers
4+阅读 · 2018年3月13日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Top
微信扫码咨询专知VIP会员