A two-stage Bayesian algorithm for finite element model updating by using ambient response data from multiple measurement setups

Hızal, Çağlayan; Turan, Gürsoy

doi:10.1016/j.jsv.2019.115139

Cited by 25 publications

(9 citation statements)

References 41 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Böylece, her bir mod için uyarım sinyalinin ve kanal gürültünün spektral yoğunluk oranı (signal to noise ratio), snr =100 olarak ayarlanmıştır. yoğunlaştırma [30], optimal sensör yerleşimi [31,32] veya çoklu ölçüm grupları [22] gibi uygulamalara başvurmak mutlaka faydalı olacaktır. Bu açıdan, sunulan yöntemin etkinliğinin sensör sayısına bağlı değişimi, bahsedilen bu yöntemlerin herhangi birine başvurmadan, deneysel model üzerinden incelenmiştir.…”

Section: Sayısal Uygulamaunclassified

“…Bu açıdan bakıldığında, Hiyerarşik Bayesyen yöntemlerinin, ölçüm hatalarından kaynaklanabilecek belirsizliklerden çok modelleme hatalarından kaynaklanan belirsizliklere odaklandığı söylenebilir. Diğer yandan, parametrik belirsizliklerin, model ve ölçüm hatalarıyla ilişkilendirildiği ve bu belirsizliklerin BAYOMA ile belirlendiği bazı iki aşamalı yöntemler de literatürde mevcuttur [20][21][22][23][24].…”

Section: Introductionunclassified

See 1 more Smart Citation

Sonlu Eleman Modellerinin Maksimum Olasılık Tahmini ile Güncellenmesi

Hızal

2021

Teknik Dergi

View full text Add to dashboard Cite

Matematiksel yapı modellerinin titreşim verileri kullanılarak güncellenmesi konusu, son yıllarda giderek artan bir şekilde araştırmacıların ilgisini çekmektedir. Bu hususta literatüre sunulan yöntemler genel olarak deterministik ve olasılıksal olarak sınıflandırılmaktadır. Bu bağlamda hem deterministik hem de olasılıksal model güncelleme yöntemlerinin birçok varyasyonu yer almaktadır. Bu çalışmada ise maksimum olasılık tahminine dayalı alternatif bir yaklaşım sunulmaktadır. Önerilen yöntemde, modal tanılama sırasında öngörülen ölçüm hatalarının yanı sıra model hatası da boyutsuz bir Rayleigh oranı üzerinden dikkate alınmaktadır. Sisteme ait model parametreler, ölçüm ve modelleme hatalarının normal dağılım göstereceği kabulüyle oluşturulan bir olasılık yoğunluk fonksiyonu üzerinden hesaplanmaktadır. Sunulan yöntemin güvenirliği bir sayısal ve bir deneysel uygulama üzerinden değerlendirilmiştir. Elde edilen verilere göre önerilen yöntemin oldukça makul sonuçlar verdiği gözlemlenmektedir.

show abstract

Section: Sayısal Uygulamaunclassified

Section: Introductionunclassified

Sonlu Eleman Modellerinin Maksimum Olasılık Tahmini ile Güncellenmesi

Hızal

2021

Teknik Dergi

View full text Add to dashboard Cite

show abstract

“…The reference model is depicted in Figure 9 with the acceleration input ̈1( ) , while the corresponding model parameters, identified in a previous study with the Pizzoli Town Hall building responses, are reported in Table 4. For the numerical simulations, a viscous damping term (with damping ratio of 3%) has been added to the model of Equation (16).…”

Section: Reference Modelmentioning

confidence: 99%

“…The existing literature on probabilistic calibration is extensive [7]- [9] and focuses particularly on Bayesian approaches [10]- [16], Bayesian approaches with model class selection [17] and Bayesian filtering methods [18], [19]. A consequence of using imperfect models in the calibration is that the identified parameters may not correspond to their physical namesakes [1].…”

Section: Introductionmentioning

confidence: 99%

Bayesian Calibration of Hysteretic Parameters with Consideration of the Model Discrepancy for Use in Structural Health Monitoring

Ceravolo¹,

Faraci²,

Miraglia³

2020

Preprint

View full text Add to dashboard Cite

Bayesian model calibration techniques are commonly employed in the characterization of nonlinear dynamic systems, as they provide a conceptual and effective framework to deal with model uncertainties, experimental errors and procedure assumptions. This understanding has resulted in the need to introduce a model discrepancy term to account for the differences between model-based predictions and real observations. Indeed, the goal of this work is to enhance model-driven Structural Health Monitoring procedures by incorporating the posterior uncertainty linked to updated model discrepancy, and thus make relevant considerations for its use in the Structural Health Monitoring. Specifically, the Bayesian inference has been applied to the calibration of nonlinear hysteretic systems to both provide: (i) most probable values (MPV) of the parameters following the calibration, and; (ii) estimates of the model discrepancy posterior distribution. The effect of the model discrepancy in the calibration is first illustrated recurring to a single degree of freedom Bouc-Wen type oscillator, and then applied for calibrating a reference nonlinear Bouc-Wen model, deriving from real data acquired on a monitored masonry building.

show abstract

“…During this procedure uncertainties stem from the modeling errors and/or measurement noise are also considered. Using this posterior uncertainty information, Bayesian operational modal analysis (BAYOMA) = techniques can also be integrated to two‐stage finite element model updating and/or damage detection procedures 16–20 . Different variants of BAYOMA methods are available in the literature such as Bayesian Spectral Trace Approach (BSTA), 21 extended BFFTA for asynchronous vibration data 22 or Hierarchical Bayesian modal identification 23 .…”

Section: Introductionmentioning

confidence: 99%

Probabilistic investigation of error propagation in frequency domain decomposition‐based operational modal analysis

Hızal

Aktaş

2021

Struct Control Health Monit

Self Cite

View full text Add to dashboard Cite

Summary Each operational modal analysis (OMA) technique may produce significant errors during the identification procedure due to the applied methodology, environmental/operational conditions, and instrumentation. Consequently, those errors can adversely affect the quality of identified parameters. In this context, this study aims at providing a comprehensive discussion on the propagation of predictions errors in the frequency domain OMA. To mitigate the prediction errors those considered to be induced by modeling and measurement errors, an extended formulation is presented based on a recently developed Modified Frequency and Spatial Domain Decomposition technique. A comprehensive investigation is presented for the probabilistic modeling of output power spectral density (PSD), considering prediction errors. Numerical and real data applications are conducted to show the effectiveness of the proposed methodology.

show abstract

A two-stage Bayesian algorithm for finite element model updating by using ambient response data from multiple measurement setups

Cited by 25 publications

References 41 publications

Sonlu Eleman Modellerinin Maksimum Olasılık Tahmini ile Güncellenmesi

Sonlu Eleman Modellerinin Maksimum Olasılık Tahmini ile Güncellenmesi

Bayesian Calibration of Hysteretic Parameters with Consideration of the Model Discrepancy for Use in Structural Health Monitoring

Probabilistic investigation of error propagation in frequency domain decomposition‐based operational modal analysis

Contact Info

Product

Resources

About