Solving inverse problems using machine learning-aided optimization method

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26110%2F24%3APU152658" target="_blank" >RIV/00216305:26110/24:PU152658 - isvavai.cz</a>

Výsledek na webu

<a href="https://fib-international.org/publications/fib-proceedings/15th-phd-symposium-in-budapest-hungary-2024-proceedings-em-pdf-em-detail.html" target="_blank" >https://fib-international.org/publications/fib-proceedings/15th-phd-symposium-in-budapest-hungary-2024-proceedings-em-pdf-em-detail.html</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Solving inverse problems using machine learning-aided optimization method

Popis výsledku v původním jazyce

Inverse problems play an important role in engineering practice such as characterizing materials, detecting structural damage, and optimizing designs. This paper introduces an inverse analysis meth-od using a finite element model as a digital twin of the real structure, which is updated with an Artifi-cial Neural Network-Aided Aimed Multilevel Sampling (ANN-AMS) optimization method. This method employs Latin hypercube sampling for efficient sample generation, AMS for sequential parameter targeting, and ANN for design space mapping. The proposed method is applied to solve two different inverse problems – the detection of truss bridge damage and the identification of me-chanical fracture parameters of alkali-activated fine-grained brittle matrix composites from fracture test records. The results confirmed the versatility, effectiveness and good accuracy of the method for both applied inverse problems.

Název v anglickém jazyce

Solving inverse problems using machine learning-aided optimization method

Popis výsledku anglicky

Inverse problems play an important role in engineering practice such as characterizing materials, detecting structural damage, and optimizing designs. This paper introduces an inverse analysis meth-od using a finite element model as a digital twin of the real structure, which is updated with an Artifi-cial Neural Network-Aided Aimed Multilevel Sampling (ANN-AMS) optimization method. This method employs Latin hypercube sampling for efficient sample generation, AMS for sequential parameter targeting, and ANN for design space mapping. The proposed method is applied to solve two different inverse problems – the detection of truss bridge damage and the identification of me-chanical fracture parameters of alkali-activated fine-grained brittle matrix composites from fracture test records. The results confirmed the versatility, effectiveness and good accuracy of the method for both applied inverse problems.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20101 - Civil engineering

Projekt

<a href="/cs/project/GA24-10892S" target="_blank" >GA24-10892S: Strojové učení pro víceúrovňové modelování prostorové variability a trhlin pro zajištění udržitelnosti betonových konstrukcí</a><br>

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2024

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

15th fib International PhD Symposium in Civil Engineering

ISBN

978-2-940643-24-0

ISSN

—

e-ISSN

—

Počet stran výsledku

8

Strana od-do

533-540

Název nakladatele

International Federation for Structural Concrete

Místo vydání

Budapest

Místo konání akce

Budapešť

Datum konání akce

28. 8. 2024

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—