Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Simple Truss Finite Element to Model FRCM Strengthened Specimens in Single Lap Shear Tests Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

Structural Model Updating and Model Selection: Bayesian Inference Approach Based on Simulation

verfasst von : Anis Ben Abdessalem

Erschienen in: Proceedings of the International Conference of Steel and Composite for Engineering Structures

Verlag: Springer Nature Switzerland

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Structural model updating, and model selection have been in the focus of intensive research for many decades and still represent a major challenge. In this paper, the Approximate Bayesian Computation (ABC) using a Nested Sampling (NS) technique is employed to deal with model updating and model selection issues. The proposed framework is based on simulations, it can update a single model but also to find the most likely model from a set of competing models. Moreover, instead of learning a single point estimates, the ABC-NS scheme learns a distribution over the unknown model parameters allowing us to quantify predictive uncertainty. The ABC framework offers the possibility to use different discrepancy metrics measuring the similarity between the measured modal data and the ones obtained from simulations. The performance and the robustness of the simulation-based inference procedure in structural dynamics are demonstrated through two numerical studies using modal data.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A New Analytical Model for FRCM Coupons
Nächstes Kapitel Damage Tolerance in Topologically Optimized Structures: Exploring Structural Integrity Through Worst-Case Damage Optimization
Anhänge
Nur mit Berechtigung zugänglich
Literatur
1.
Sifeng, B., Beer, M., Cogan, S., Mottershead, J.: Stochastic model updating with uncertainty quantification: an overview and tutorial. Mech. Syst. Signal Process. 204, 110784 (2023)CrossRef
2.
Zhang, Z., Sun, C.: Structural damage identification via physics-guided machine learning: a methodology integrating pattern recognition with finite element model updating. Struct. Health Monit. 20(4), 1675–1688 (2021)CrossRef
3.
Das, S., Saha, P.: Structural health monitoring techniques implemented on IASC–ASCE benchmark problem: a review. J. Civ. Struct. Heal. Monit. 8(4), 689–718 (2018)CrossRef
4.
Friswell, M., Mottershead, J.E.: Finite Element Model Updating in Structural Dynamics, vol. 38. Springer, Cham (2013)
5.
Gilks, W.R., Richardson, S., Spiegelhalter, D.: Markov Chain Monte Carlo in Practice, Chapman and Hall/CRC (1995)
6.
Beck, J.L., Au, S.-K.: Bayesian updating of structural models and reliability using Markov chain Monte Carlo simulation. J. Eng. Mech. 128, 380–391 (2002)CrossRef
7.
Cheung, S.H., Bansal, S.: A new Gibbs sampling based algorithm for Bayesian model updating with incomplete complex modal data. Mech. Syst. Signal Process. 92, 156–172 (2017)CrossRef
8.
Zhang, E., Feissel, P., Antoni, J.: Bayesian model updating with consideration of modeling error. Eur. J. Comput. Mech. 19, 255–266 (2010)CrossRef
9.
Zhang, E.L., Feissel, P., Antoni, J.: A comprehensive Bayesian approach for model updating and quantification of modeling errors. Probab. Eng. Mech. 26, 550–560 (2011)CrossRef
10.
Zhang, E., Chazot, J.D., Antoni, J., Hamdi, M.: Bayesian characterization of young’s modulus of viscoelastic materials in laminated structures. J. Sound Vib. 332, 3654–3666 (2013)CrossRef
11.
Ching, J., Chen, Y.C.: Transitional Markov chain Monte Carlo Method for Bayesian model updating, model class selection, and model averaging. J. Eng. Mech. 133(7), 816–832 (2007)CrossRef
12.
Straub, D., Papaioannou, I.: Bayesian updating with structural reliability methods. J. Eng. Mech. 141(3), 04014134 (2015)CrossRef
13.
DiazDelaO, F.A., Garbuno-Inigo, A., Au, S.K., Yoshida, I.: Bayesian updating and model class selection with subset simulation. Comput. Methods Appl. Mech. Eng. 317, 1102–1121 (2017)MathSciNetCrossRef
14.
Betz, W., Papaioannou, I., Beck, J.L., Straub, D.: Bayesian inference with subset simulation: strategies and improvements. Comput. Methods Appl. Mech. Eng. 331, 72–93 (2018)MathSciNetCrossRef
15.
Khatir, A., et al.: A new hybrid PSO-YUKI for double cracks identification in CFRP cantilever beam. Compos. Struct. 311, 116803 (2023)CrossRef
16.
Khatir, A., Capozucca, R., Khatir, S., Magagnini, E.: Vibration-based crack prediction on a beam model using hybrid butterfly optimization algorithm with artificial neural network. Front. Struct. Civ. Eng. 16(8), 976–989 (2022)CrossRef
17.
Achouri, F., Khatir, A., Smahi, Z., Capozucca, R., Ouled Brahim, A.: Structural health monitoring of beam model based on swarm intelligence-based algorithms and neural networks employing FRF. J. Braz. Soc. Mech. Sci. Eng. 45(12), 621 (2023)CrossRef
18.
Khatir, A., Tehami, M., Khatir, S., Abdel Wahab, M.: Multiple damage detection and localization in beam-like and complex structures using co-ordinate modal assurance criterion combined with firefly and genetic algorithms. J. Vibroengineering 20(1), 832–842 (2018). Republished PaperCrossRef
19.
Sengupta, P., Chakraborty, S.: A two-stage Bayesian model updating framework based on an iterative model reduction technique using modal responses. Comput. Methods Appl. Mech. Eng. 417, Part A, 116448 (2023)
20.
Yang, J.-H., Liu, W.-Y., An, Y.-H., Lam, H.-F.: Enhanced adaptive sequential Monte Carlo method for Bayesian model class selection by quantifying data fit and information gain. Mech. Syst. Signal Process. 206, 110792 (2024)CrossRef
21.
Ben Abdessalem, A., Dervilis, N., Wagg, D., Worden, K.: Model selection and parameter estimation of dynamical systems using a novel variant of approximate Bayesian computation. Mech. Syst. Signal Process. 122, 364–386 (2019)CrossRef
22.
Qian, F., Zheng, W.: An evolutionary nested sampling algorithm for Bayesian model updating and model selection using modal measurement. Eng. Struct. 140, 298–307 (2017)CrossRef
Metadaten
Titel
Structural Model Updating and Model Selection: Bayesian Inference Approach Based on Simulation
verfasst von
Anis Ben Abdessalem
Copyright-Jahr
2024
Buch
Proceedings of the International Conference of Steel and Composite for Engineering Structures

Print ISBN: 978-3-031-57223-4

Electronic ISBN: 978-3-031-57224-1

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-3-031-57224-1_22

Premium Partner

    Marktübersichten

    Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen. 

    Zur Marktübersicht
    Bildnachweise