JoVE - Journal of Visualized Experiments
JoVE Visualize
Contact Us
このページは機械翻訳されています。他のページは英語で表示される場合があります。 View in English

LSTM-PINNハイブリッドメソッドを用いた地震反応予測の性能改善

  • 0School of Industrial Design & Architectural Engineering, Korea University of Technology & Education, 1600 Chungjeol-ro, Byeongcheon-myeon, Cheonan 31253, Republic of Korea.
Biomimetics (basel, Switzerland) +

|

2025年8月27日

|

2025年8月27日

PubMedで要約を見る

まとめ

この要約は機械生成です。

新しいハイブリッドAIモデルは,長期短期記憶 (LSTM) ネットワークと物理情報ニューラルネットワーク (PINN) を組み合わせて,地震構造応答の予測を改善します. このLSTM-PINNモデルは,訓練が少ない場合でも,従来のPINNよりも安定で正確な結果を提供します.

科学分野

  • 構造工学
  • 人工知能
  • 地震分析

背景

  • 地震負荷に対する構造的反応の正確な予測は,安全にとって極めて重要です.
  • 物理情報ニューラルネットワーク (PINNs) や長期短期記憶 (LSTM) のようなディープラーニングモデルは有望ですが,限界があります.
  • PINNには非線形システムにおける長期間の依存性の捕捉が欠け,LSTMには物理的な解釈が欠けています.

研究 の 目的

  • LSTMとPINNの両方の強みを統合したハイブリッドLSTM-PINNモデルを開発する.
  • 地震負荷下でのダイナミックな構造的行動の予測を強化する.
  • 構造的応答モデリングにおける物理的な一貫性と時間的依存性の捉え方を改善する.

主な方法

  • 物理に基づいた制約のために時間学習のためのLSTMとPINNを組み合わせたハイブリッドモデルが開発されました.
  • このモデルは,単一の自由度 (SDOF) と複数の自由度 (MDOF) のシステムで評価され,エル・センターの地面運動にさらされた.
  • 性能は,PINNのみのモデルと比較して,移位,速度,加速の平均誤差 (MSE) を使用して評価されました.

主要な成果

  • ハイブリッドのLSTM-PINNモデルは,時間領域全体でより安定で正確な予測を達成しました.
  • ベースラインのPINNよりも優れたパフォーマンスを示し,訓練期間を短くしてMSEを50%まで低下させました (10,000対50,000).
  • モデルでは,タイムシーケンスの学習によって一般化の能力が向上したことが示されました.

結論

  • ハイブリッドのLSTM-PINNモデルは,地震の構造的反応を予測するために,タイムラーニングと物理的な一貫性を効果的に組み合わせています.
  • この物理的に導かれた タイムシリーズのAIアプローチは 精度と効率性において 重要な利点をもたらします
  • この発見は,リアルタイム対応の推定,構造的健康モニタリング,地震性能の評価の可能性を裏付けています.

キーワード: