.png){kind=icon}
返回
Uncertainty-aware fuzzy knowledge embedding method for generalized structural performance prediction
.png){kind=icon}
OA
AI
DOI：10.1111/mice.13457.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
结构及其构件的结构性能预测是确保土木工程结构安全的关键问题。因此，增强预测模型的可靠性、提升其泛化能力并量化预测的不确定性具有重要意义。然而，现有面向可靠工程应用的机理驱动和数据驱动预测模型需要对模型进行复杂修改，且对相关先验知识的精度高度敏感。针对这些问题，提出了一种新颖且简洁的数据驱动方法，命名为“R2CU”（代表“将回归转化为不确定性感知分类”）。该方法旨在将相对模糊的先验知识引入数据驱动预测模型中。为增强泛化能力，基于模糊先验知识和实验数据，将传统的回归任务转化为分类任务。随后，估计预测的偶然不确定性和认知不确定性，以提供置信区间，反映预测的可信度。基于钢筋混凝土（RC）深梁抗剪承载力预测的验证案例研究表明，所提方法有效提升了模型的泛化能力（预测精度提高了80%），同时合理估计了模型预测中的不确定性，使该方法成为结构性能预测的一种实用替代方案。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
C
IF:
9.1
论文数:
2.0K
被引数:
10.0K
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架OAAI
OAAI分享收藏
查看更多内容