On robust risk-based active-learning algorithms for enhanced decision support

Hughes, Aidan J.; Bull, Larry; Gardner, Paul A.; Dervilis, Nikolaos; Worden, Keith

doi:10.1016/j.ymssp.2022.109502

Cited by 9 publications

(2 citation statements)

References 42 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Primarily it has been employed for SHM-aided maintenance planning either in the form of posterior decision analysis [27,28], or in a pre-posterior analysis context where quantities such as the value of information (VoI) or value of SHM (VoSHM) are used to justify investment in an SHM system [29] or for optimal sensor placement (OSP) [30]. Additionally, Hughes et al [31,32] have employed decisiontheoretic principles to propose risk-based active learning, an online strategy where data labels in classification tasks are queried according to the decision support context in which these classifiers are employed.…”

Section: Introductionmentioning

confidence: 99%

On the Detection of Thickness Loss in Ship Hull Structures Through Strain Sensing

Silionis¹,

Anyfantis²

2022

Lecture Notes in Civil Engineering

View full text Add to dashboard Cite

Fatigue crack growth is one of the most common types of deterioration in metal structures with significant implications on their reliability. Recent advances in Structural Health Monitoring (SHM) have motivated the use of structural response data to predict future crack growth under uncertainty, in order to enable a transition towards predictive maintenance. Accurately representing different sources of uncertainty in stochastic crack growth (SCG) processes is a non-trivial task. The present work builds on previous research on physics-based SCG modeling under both material and loadrelated uncertainty. The aim here is to construct computationally efficient, probabilistic surrogate models for SCG processes that successfully encode these different sources of uncertainty. An approach inspired by latent variable modeling is employed that utilizes Gaussian Process (GP) regression models to enable the surrogates to be used to generate prior distributions for different Bayesian SHM tasks as the application of interest. Implementation is carried out in a numerical setting and model performance is assessed for two fundamental crack SHM problems; namely crack length monitoring (damage quantification) and crack growth monitoring (damage prognosis).

show abstract

Section: Introductionmentioning

confidence: 99%

On the Detection of Thickness Loss in Ship Hull Structures Through Strain Sensing

Silionis¹,

Anyfantis²

2022

Lecture Notes in Civil Engineering

View full text Add to dashboard Cite

show abstract

“…concept d'apprentissage actif en science de l'éducation et non en apprentissage automatique, ainsi que les revues de littérature ont été retirés. Sur ces bases, seuls deux documents correspondent aux critères décrits :Gardner et al, 2020et Hughes et al, 2022, ce qui est très peu.…”

unclassified

Service Oriented, Holonic and Multi-Agent Manufacturing Systems for Industry of the Future

2023

Studies in Computational Intelligence

View full text Add to dashboard Cite

Ce document constitue la conclusion d'un long projet, n'ayant pu être mené et aboutir dans de bonnes conditions que grâce à l'engagement de nombreuses personnes que je tiens à saluer ici.Je remercie en premier lieu Hind Bril El-Haouzi et Philippe Thomas pour leur forte implication dans la direction de cette thèse, de l'écriture du sujet à la soutenance. C'était une chance d'avoir des encadrants aussi accessibles et disponibles, que ce soit pour échanger des idées et des pistes de recherche, relire et corriger documents et présentations, ou simplement discuter et s'aérer l'esprit. Pour tout cela, merci.Evidemment, je tiens à remercier les membres du jury : Pr. Nathalie Julien et Pr. Jonathan Weber, pour avoir acccepté de rapporter cette thèse, ainsi que Pr. Samir Lamouri et Pr. Robert Pellerin pour avoir accepté d'en être examinateurs. Je suis heureux que vous ayez accepté de consacrer votre temps à l'évaluation de mes travaux et d'avoir pu bénéficier de vos différents retours.Tout mes remerciements à Emmanuel Zimmermann, pour son implication et son soutient technique et moral à de nombreuses thèses du site du CRAN d'Epinal. Je remercie également Michael Morin et Jonathan Gaudreault pour nos différentes collaborations qui furent très agréables.Et enfin, pêle-mêle, je remercie (et félicite !) ma famille, mes amis, et mes collègues, pour m'avoir supporter tout au long de ce projet. Discussions, soirées, jeux de société, vacances et voyages : toutes ces choses permettent de garder à l'esprit qu'il y a une vie en dehors du doctorat et qu'il est important de garder un équilibre entre la recherche et les loisirs.

show abstract