ترجمه فارسی مقاله پیمایش عدم قطعیت در یادگیری ماشین برای پویایی ساختاری: یک بررسی جامع از رویکردهای احتمالی و غیر مؤثر در مشکلات رو به جلو و معکوس

چکیده

In the era of big data, machine learning (ML) has become a powerful tool in various fields, notably impacting structural dynamics. ML algorithms offer advantages by modeling physical phenomena based on data, even in the absence of underlying mechanisms. However, uncertainties such as measurement noise and modeling errors can compromise the reliability of ML predictions, highlighting the need for effective uncertainty awareness to enhance prediction robustness. This paper presents a comprehensive review on navigating uncertainties in ML, categorizing uncertainty-aware approaches into probabilistic methods (including Bayesian and frequentist perspectives) and non-probabilistic methods (such as interval learning and fuzzy learning). Bayesian neural networks, known for their uncertainty quantification and nonlinear mapping capabilities, are emphasized for their superior performance and potential. The review covers various techniques and methodologies for addressing uncertainties in ML, discussing fundamentals and implementation procedures of each method. While providing a concise overview of fundamental concepts, the paper refrains from in-depth critical explanations. Strengths and limitations of each approach are examined, along with their applications in structural dynamic forward problems like response prediction, sensitivity assessment, and reliability analysis, and inverse problems like system identification, model updating, and damage identification. Additionally, the review identifies research gaps and suggests future directions for investigations, aiming to provide comprehensive insights to the research community. By offering an extensive overview of both probabilistic and non-probabilistic approaches, this review aims to assist researchers and practitioners in making informed decisions when utilizing ML techniques to address uncertainties in structural dynamic problems.

چکیده به فارسی (ترجمه ماشینی)

در دوره Big Data ، یادگیری ماشین (ML) به ابزاری قدرتمند در زمینه های مختلف تبدیل شده است ، به ویژه بر پویایی ساختاری تأثیر می گذارد.الگوریتم های ML با مدل سازی پدیده های فیزیکی بر اساس داده ها ، حتی در صورت عدم وجود مکانیسم های اساسی ، مزایایی را ارائه می دهند.با این حال ، عدم قطعیت ها مانند سر و صدای اندازه گیری و خطاهای مدل سازی می تواند قابلیت اطمینان پیش بینی های ML را به خطر بیاندازد ، و نیاز به آگاهی از عدم اطمینان مؤثر برای تقویت استحکام پیش بینی را نشان می دهد.در این مقاله یک بررسی جامع در مورد پیمایش عدم قطعیت ها در ML ، طبقه بندی رویکردهای عدم اطمینان به روشهای احتمالی (از جمله دیدگاههای بیزی و مکرر) و روشهای غیر افروایی (مانند یادگیری بازه و یادگیری فازی) ارائه شده است.شبکه های عصبی بیزی ، که به دلیل کمبود عدم اطمینان و قابلیت نقشه برداری غیرخطی شناخته می شوند ، به دلیل عملکرد و پتانسیل برتر آنها تأکید می شوند.این بررسی تکنیک ها و روش های مختلفی را برای پرداختن به عدم قطعیت در ML ، بحث در مورد اصول و روشهای اجرای هر روش در بر می گیرد.این مقاله ضمن ارائه یک نمای کلی از مفاهیم اساسی ، از توضیحات انتقادی عمیق خودداری می کند.نقاط قوت و محدودیت هر رویکرد ، همراه با کاربرد آنها در مشکلات پویا ساختاری رو به جلو مانند پیش بینی پاسخ ، ارزیابی حساسیت و تجزیه و تحلیل قابلیت اطمینان و مشکلات معکوس مانند شناسایی سیستم ، به روزرسانی مدل و شناسایی آسیب ، مورد بررسی قرار می گیرد.علاوه بر این ، این بررسی شکاف های تحقیقاتی را مشخص می کند و دستورالعمل های آینده را برای تحقیقات نشان می دهد ، با هدف ارائه بینش های جامع برای جامعه تحقیق.این بررسی با ارائه یک مرور گسترده از رویکردهای احتمالی و غیرانتفاعی ، با هدف کمک به محققان و پزشکان در تصمیم گیری آگاهانه هنگام استفاده از تکنیک های ML برای پرداختن به عدم قطعیت در مشکلات پویا ساختاری کمک می کند.