BriefGPT - AI 论文速递
·
基于物理信息的高斯过程用于 Timoshenko 梁的随机刚度识别和响应估计
💡
原文中文，约200字，阅读约需1分钟。
📝
内容提要
该文介绍了一种基于高斯过程回归的概率物理信息机器学习框架，适用于不完整和受污染的数据。该框架可以用于考虑测量系统噪声的自然正则化方法，并推测了格陵兰东桥的空气动力学响应。结果显示应用和预测的动态负荷之间存在良好的一致性，并可用于计算全局响应和所产生的内部力。
🎯
关键要点
- 介绍了一种基于高斯过程回归的概率物理信息机器学习框架。
- 该框架适用于不完整和受污染的数据。
- 可以考虑测量系统噪声的自然正则化方法。
- 推测了格陵兰东桥的空气动力学响应。
- 应用和预测的动态负荷之间存在良好的一致性。
- 可用于计算全局响应和所产生的内部力。
- 框架的应用包括验证设计模型和假设。
- 辅助损伤检测和结构健康监测的预测。
➡️
