亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

PI-LSTM: Physics-informed long short-term memory network for structural response modeling

深度学习 人工智能 期限(时间) 非线性系统 计算机科学 人工神经网络 航程(航空) 网络模型 短时记忆 机器学习 算法 循环神经网络 工程类 物理 量子力学 航空航天工程
作者
Fangyu Liu,Junlin Li,Linbing Wang
出处
期刊:Engineering Structures [Elsevier]
卷期号:292: 116500-116500 被引量:5
标识
DOI:10.1016/j.engstruct.2023.116500
摘要

Deep learning models have achieved remarkable accuracy for structural response modeling. However, these models heavily depend on having a sufficient amount of training data, which can be challenging and time-consuming to collect. Moreover, data-driven models sometimes struggle to adhere to physics constraints. Therefore, in this study, a physics-informed long short-term memory (PI-LSTM) network was applied to structural response modeling by incorporating physics constraints into deep learning. The physics constraints were modified to accommodate the characteristics of both linear and nonlinear cases. The PI-LSTM network, inspired by and compared with existing physics-informed deep learning models (PhyCNN and PhyLSTM), was validated using the numerical simulation results of the single-degree-of-freedom (SDOF) system and the experimental results of the six-story building. Additionally, the PI-LSTM network underwent thorough investigation and validation across the four cases of the SDOF system and numerical simulation results of the six-story building with the comparison of the regular LSTM. The results indicate that the PI-LSTM network outperformed the regular LSTM models in terms of accuracy. Furthermore, the PI-LSTM network exhibited a more concentrated and higher accuracy range when analyzing the results of both the SDOF system and the six-story building. These findings demonstrate that the PI-LSTM network presents a reliable and efficient approach for structural response modeling.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
共享精神应助小全采纳,获得10
3秒前
lcs完成签到,获得积分10
8秒前
红黄蓝完成签到 ,获得积分10
8秒前
香蕉觅云应助酷酷朋友采纳,获得10
10秒前
纯洁完成签到,获得积分10
22秒前
小马甲应助sysucy采纳,获得10
24秒前
33秒前
36秒前
paradox完成签到 ,获得积分10
38秒前
酷酷朋友发布了新的文献求助10
41秒前
jerry完成签到,获得积分10
1分钟前
1分钟前
ygl0217发布了新的文献求助10
1分钟前
酷酷朋友关注了科研通微信公众号
1分钟前
冷傲的薯片应助牛牛采纳,获得10
1分钟前
1分钟前
大学生完成签到 ,获得积分10
1分钟前
2分钟前
2分钟前
科研通AI2S应助牛牛采纳,获得10
2分钟前
冷傲的薯片应助牛牛采纳,获得10
2分钟前
冷傲的薯片应助牛牛采纳,获得10
2分钟前
略略略应助牛牛采纳,获得10
2分钟前
冷傲的薯片应助牛牛采纳,获得10
2分钟前
2分钟前
2分钟前
sysucy发布了新的文献求助10
2分钟前
朱朱子完成签到 ,获得积分10
2分钟前
jasmine完成签到,获得积分10
2分钟前
norberta发布了新的文献求助10
3分钟前
3分钟前
3分钟前
3分钟前
sysucy完成签到,获得积分10
3分钟前
小小的飞机完成签到,获得积分10
3分钟前
伊力扎提完成签到,获得积分20
3分钟前
伊力扎提发布了新的文献求助10
3分钟前
土书发布了新的文献求助10
3分钟前
3分钟前
VDC应助科研通管家采纳,获得10
3分钟前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Very-high-order BVD Schemes Using β-variable THINC Method 850
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3248737
求助须知:如何正确求助?哪些是违规求助? 2892201
关于积分的说明 8270138
捐赠科研通 2560300
什么是DOI,文献DOI怎么找? 1388970
科研通“疑难数据库(出版商)”最低求助积分说明 650927
邀请新用户注册赠送积分活动 627850