Reliability assessment of TMD-based control structures : A Statistical Learning Perspective
Évaluation de la fiabilité des structures de contrôle à base de TMD : un apprentissage statistique Perspective
Abstract
The study of structural reliability mainly concerns the evaluation and prediction of the risk of limit state violation for an engineering structure at any stage of its life. Reliability evaluation helps improve structure design and product quality, which is of great significance for companies and consumers. It is also the basis of reliability modeling and prediction. Vibration control is a technique to reduce the energy of a vibrating structure when it is excited by external forces. This technique is widely used in various systems, such as buildings, bridges, machine tools and vehicles. Reliability prediction helps companies make production planning and implement preventive maintenance. To do the predictions, a reliability model is firstly determined. Due to complex interior and exterior factors, the structure properties always deviate their design values. The structural uncertainties play an important role in reliability modeling. Traditional reliability models are commonly based on a priori information and professional knowledge, which has been unrealistic for today’s systems that are more complex and nonlinear due to advanced design methodologies. In this situation, growing attention has been paid to non-parametric statistical learning approaches. Seen as a classification/ regression procedure, the prediction task can be realized by machine learning models, such as Tree methods, Support vector machines, Artificial Neural Networks, etc. These models are attracting more and more attention in recent published researches. In this research, we have investigated several machine learning models such as Random Forests, Adaptive Boosting, Support vector machines, Artificial Neural Networks, etc. Besides we developed a new system reliability assessment method for complex structural systems. These methods extend statistical learning methods on structural reliability analysis and prediction.
L’étude de la fiabilité structurelle concerne principalement l’évaluation et la prévision du risque de violation de l'état limite pour une structure d'ingénierie à n'importe quel stade de son la vie. L’évaluation de la fiabilité contribue à améliorer la conception de la structure et la qualité du produit, qui revêt une grande importance pour les entreprises et les consommateurs. C'est aussi la base de modélisation et prédiction de la fiabilité. Le contrôle des vibrations est une technique permettant de réduire la énergie d'une structure vibrante lorsqu'elle est excitée par des forces extérieures. Cette technique est largement utilisé dans divers systèmes, tels que les bâtiments, les ponts, les machines-outils et véhicules. La prévision de fiabilité aide les entreprises à planifier la production et à mettre en œuvre la maintenance préventive. Pour faire les prédictions, un modèle de fiabilité est d'abord déterminé. En raison de facteurs intérieurs et extérieurs complexes, la structure les propriétés dévient toujours leurs valeurs de conception. Les incertitudes structurelles jouent un rôle important dans la modélisation de la fiabilité. Les modèles de fiabilité traditionnels sont généralement sur la base d'informations a priori et de connaissances professionnelles, ce qui était irréaliste pour les systèmes d’aujourd’hui, plus complexes et non linéaires en raison des technologies avancées. méthodologies de conception. Dans cette situation, une attention croissante a été accordée à approches d'apprentissage statistique non paramétriques. Vu comme une classification / regression procédure, la tâche de prédiction peut être réalisée par des modèles d’apprentissage automatique, tels que méthodes d’arborescence, machines à vecteurs de support, réseaux de neurones artificiels, etc. Les modèles attirent de plus en plus l'attention dans les recherches récemment publiées. Dans cette recherche, nous avons étudié plusieurs modèles d’apprentissage automatique tels que: Forêts aléatoires, Boosting adaptatif, Machines à vecteurs de support, Neural artificial Réseaux, etc. En outre, nous avons développé une nouvelle méthode d'évaluation de la fiabilité du système. pour les systèmes structurels complexes. Ces méthodes étendent les méthodes d'apprentissage statistique sur l’analyse et la prévision de la fiabilité structurelle.
Origin : Version validated by the jury (STAR)
Loading...