Utafiti huu unachunguza ikiwa kupungua kwa uwezo wa kubeba wa mirundo inayonyumbulika iliyowekwa katika udongo laini wa matope ya pwani chini ya mizigo ya upande inayojirudia kunaweza kutabiriwa kwa kutumia data ndogo inayopatikana tu kutoka sehemu ya awali ya upakiaji. Watafiti walipakia kwa upande na kwa pande mbili mirundo ya mfano yenye ncha wazi na ncha zilizofungwa katika masafa ya 0,5, 1, 2 na 4 Hz hadi mizunguko 8.000, wakaunda seti nane za data za majaribio, na kuingiza data hizo katika mtandao wa kina wa echo-state wa pande mbili uliofunzwa kwa mbinu ya meta-learning ya Reptile. Meta-ESN iliyopendekezwa iliweza kujenga upya mabadiliko ya muda mrefu ya uwezo wa kubeba kwa kosa dogo kuliko miundo ya msingi ya kulinganisha hata ilipotumia mizunguko 100 ya kwanza tu ya jaribio lengwa, yaani 1/80 ya mfululizo mzima wa mizunguko 8.000. Hata hivyo, matokeo yamewekewa mipaka na kiwango cha maabara, aina maalumu ya udongo wa matope, aina mbili za ncha za rundo na hali za upakiaji wa harmoniki wa kawaida; modeli bado haijathibitishwa kwa data za uwanjani katika muundo halisi wa pwani.

Mtandao wa kina wa echo-state wa pande mbili (Bi-ESDN), ambao ndio mjifunzaji msingi wa modeli, ulipata kosa la wastani wa mraba la 13,90 × 10^-7 kwenye data ya majaribio katika ulinganisho wa kazi moja. Kwa kipimo hicho hicho, thamani iliripotiwa kuwa 322,39 × 10^-7 kwa ESN ya kawaida, 2.052,38 × 10^-7 kwa RNN, 371,81 × 10^-7 kwa LSTM na 80,14 × 10^-7 kwa Transformer. Modeli iliyofunzwa awali kwa Reptile ilitoa MSE ya 2,63 × 10^-5 ilipotumia mizunguko 100 ya kwanza; thamani hii ilibaki takribani 1/17 ya ile ya mbinu ya Merge na takribani 1/8 ya ile ya mbinu ya Vanilla iliyofunzwa kutoka mwanzo.

Utafiti unaonyesha kwamba mifumo ya upakiaji na uhamaji iliyopimwa katika hatua za awali inaweza kubeba taarifa kuhusu upotevu wa baadaye wa ugumu katika mfumo wa rundo-udongo. Mchango wa meta-learning ni kujifunza mifumo ya muda inayoshirikishwa kati ya masafa tofauti ya upakiaji na aina tofauti za ncha za rundo badala ya kukariri hali moja ya majaribio, na hivyo kuweza kuzoea hali mpya kwa vipimo vichache.

Kwa mtazamo wa Türkiye, mbinu hii inatoa njia yenye thamani ya kuchunguzwa kwa mifumo ya ufuatiliaji wa hali ya misingi ya mirundo katika miundombinu ya bandari, vituo vya pwani na miundo ya nishati ya baharini. Hata hivyo, modeli haiwezi kuhamishwa moja kwa moja kwenda kwenye profaili za udongo au miundo halisi nchini Türkiye. Inahitaji kufundishwa upya kwa kutumia tabakisho la udongo la eneo, jiometri ya rundo, mizigo ya mawimbi na upepo, mmomonyoko wa udongo, mizigo ya wima, sifa za sensa na kelele za uwanjani, kisha ithibitishwe kwa data huru za uwanjani.

Tatizo kuu la utafiti ni nini?

Misingi ya mirundo katika miundo ya pwani na baharini hukabiliwa na nguvu za upande zinazojirudia zinazosababishwa na upepo, mawimbi na mikondo. Mizigo hii inaweza kuvuruga udongo unaozunguka rundo mara kwa mara na kupunguza ugumu wa mfumo wa rundo-udongo pamoja na uwezo wake wa kubeba mizigo ya upande kadiri muda unavyopita. Mteremko unaozidi kwenda chini wa mikunjo ya hysteresis na kupungua kwa miteremko yake ya mwanzo huonyesha kwamba nguvu ndogo zaidi ya upande inahitajika ili kuzalisha uhamaji uleule.

Ingawa kuamua moja kwa moja upotevu wa uwezo wa muundo halisi kwa ufuatiliaji wa uwanjani ni njia ya kuaminika, kunahitaji data za muda mrefu, miundombinu ya sensa na gharama. Uchambuzi wa namba unaweza kuwa wa kiuchumi zaidi; hata hivyo, kuunda, kuhesabu na kuthibitisha dhidi ya tabia halisi miundo ya kina ya rundo-udongo pia ni vigumu. Majaribio ya modeli ya maabara huzalisha data zinazodhibitiwa, lakini si jambo la vitendo kufanya jaribio tofauti kwa kila hali inayowezekana ya udongo, mzigo na rundo.

Tatizo ambalo watafiti wanataka kulitatua ni kuunda modeli mbadala inayoweza kutabiri upotevu wote wa uwezo wa muda mrefu kwa kutumia data iliyokusanywa katika mizunguko michache ya kwanza tu katika hali mpya ya kazi na inayoweza kuzoea haraka kazi ambazo haijawahi kuona hapo awali.

Mfumo wa tahadhari ya mapema uliopendekezwa unafanyaje kazi?

Mchoro wa kwanza wa utafiti unaonyesha mtiririko wa taarifa unaokusudiwa kuanzishwa kati ya maabara na uwanja. Majaribio ya mirundo ya mfano ya maabara huzalisha data za upotevu wa uwezo chini ya hali tofauti, seti hizi za data hufundisha mfumo wa meta-learning, na matokeo yake ni modeli ya jumla ya kutabiri uwezo wa upande. Lengo ni kwamba katika siku zijazo, data za msisimko wa awali wa mizunguko kutoka kwa rundo halisi la pwani ziingizwe katika modeli hii ili kutabiri mabadiliko ya baadaye ya uwezo wa rundo.

Utafiti huu unajaribu sehemu ya mchakato huu inayohusu majaribio ya maabara na uundaji wa modeli za kihesabu. Uthibitisho wa mwisho kwa data huru za ufuatiliaji wa uwanjani kutoka kwa mirundo halisi ya pwani haupo katika utafiti huu.

Kiwango kati ya rundo la mfano na prototaipu kiliwekwaje?

Katika utafiti, rundo la bomba la chuma katika hali ya udongo laini wa pwani lilichukuliwa kama msingi na uwiano wa ufanano wa kijiometri wa 20:1 ulitumiwa kati ya prototaipu na modeli. Kipenyo, kina cha kuzamishwa na urefu wa jumla wa rundo la mfano vilipunguzwa kulingana na uwiano huu. Unene wa ukuta haukuamuliwa kwa kiwango cha kijiometri pekee, bali kwa kuzingatia ulinganifu wa uwiano wa urefu muhimu na sifa za kupinda za rundo la prototaipu na modeli, na uliwekwa kuwa 1,50 mm.

Watafiti waliandaa mirundo miwili ya mfano yenye sifa sawa za mwili. Rundo moja lilikuwa na ncha wazi na jingine ncha iliyofungwa. Kwa njia hii, athari ya hali ya ncha ya rundo kwenye upotevu wa uwezo wa upande wa mizunguko iliingizwa kwenye seti ya data kama kigezo tofauti cha kazi.

Athari ya mipaka katika chombo cha majaribio ilidhibitiwaje?

Chombo cha modeli kilitengenezwa kwa vipimo vya 900 × 700 × 700 mm. Umbali kati ya rundo na mpaka wa mlalo wa chombo uliwekwa kuwa takribani mara 9,5 ya kipenyo cha rundo, huku umbali wa udhibiti kuzunguka ncha ya rundo ukiwekwa juu ya viwango vya chini vilivyotolewa katika maandiko husika. Kutokana na jiometri hii, utafiti unachukulia athari za mipaka ya mlalo na wima kuwa zinaweza kupuuzwa katika matokeo.

Tathmini hii inategemea vigezo vya umbali wa kijiometri. Utafiti haujatoa jaribio la ziada la unyeti kwa kurudia jaribio lilelile katika chombo kikubwa zaidi au kwa kupima moja kwa moja athari ya mpaka.

Udongo wa matope uliandaliwaje?

Udongo wa majaribio ni udongo wa matope wenye hali ya kutiririka uliotolewa takribani mita 1 chini ya uso katika eneo la Oufei Project huko Wenzhou. Uzito mahususi wa udongo wa awali ulipimwa kuwa 2,72; msongamano 1,62 g/cm³; kikomo cha kimiminika %55,53; kikomo cha plastiki %22,47 na fahirisi ya plastiki %33,06.

Kabla ya kuweka mirundo, udongo uliwekewa upakiaji wa awali kwa vakyumu kwa siku 22. Mifereji miwili ya wima iliyotengenezwa awali yenye urefu faafu wa 550 mm iliwekwa ndani ya chombo; mifereji hiyo iliunganishwa na chupa ya vakyumu na pampu. Shinikizo la maji ya vinyweleo na shinikizo la udongo vilifuatiliwa kwa vipima-shinikizo vidogo vya nyuzi za Bragg na sensa za shinikizo, huku kukaa kwa udongo kukifuatiliwa kwa mabamba kwenye kina cha 400 na 600 mm.

Siku ya kwanza vipimo vilichukuliwa kila baada ya saa mbili, na katika siku zilizofuata kila baada ya saa nane. Mwishoni mwa mchakato wa siku ishirini na mbili, iliripotiwa kuwa maudhui ya maji yalipungua kwa %7,43 na nguvu ya kukata bila mifereji iliongezeka kwa %96,70 ikilinganishwa na thamani ya awali. Hata hivyo, thamani kamili ya mwisho ya nguvu ya kukata iliyopimwa, kutokuwa na uhakika kwake au jaribio la umuhimu wa kitakwimu halikutolewa katika sehemu hii.

Majaribio ya upakiaji wa mizunguko yalitekelezwaje?

Mirundo iliwekwa katika udongo ulioboreshwa kwa vakyumu kwa kubanwa kwa tuli na kuachwa kwa saa 24. Upakiaji ulifanywa kwa pande mbili na kwa udhibiti wa uhamaji. Kwa hali ya mwisho, uhamaji wa upande katika sehemu ya upakiaji ulikubaliwa kuwa mara 0,1 ya kipenyo cha rundo na nyongeza ya uhamaji ilichaguliwa kuwa 3 mm.

Masafa ya majaribio yaliwekwa kuwa 0,5, 1 na 2 Hz kwa kubadilisha masafa ya upepo na mawimbi ya prototaipu kwenda kiwango cha modeli; 4 Hz iliongezwa ili kuwakilisha hali kali. Kwa kila mzunguko wa upakiaji, sampuli 100 za data zilirekodiwa na majaribio yakasitishwa katika mizunguko 8.000.

Mikunjo ya majaribio inaonyesha nini?

Katika grafu zote nane za nguvu dhidi ya muda, upinzani wa upande hupungua kwa kasi mwanzoni mwa upakiaji, kisha kasi ya kupoteza uwezo hupungua na mkunjo unakaribia kiwango thabiti zaidi. Umbo hili la pamoja ndilo muundo msingi wa muda unaoweza kuhamishwa kati ya kazi tofauti.

Katika grafu za mzigo dhidi ya uhamaji, kadiri idadi ya mizunguko inavyoongezeka, vitanzi vya hysteresis huinama kwenda chini na miteremko yake ya awali hupungua. Kupungua kwa mteremko wa awali huonyesha kupungua kwa ugumu wa upande wa mfumo wa rundo-udongo. Watafiti wanahusisha uharibifu wa haraka wa awali na kuvurugika zaidi kwa udongo unaozunguka rundo katika mizunguko ya kwanza na udongo kukaribia nguvu yake ya kutiririka kadiri muda unavyopita.

Kuna tofauti dhahiri katika urefu na eneo la vitanzi vya hysteresis kati ya mirundo yenye ncha wazi na zilizofungwa pamoja na masafa tofauti ya upakiaji. Utafiti unatumia tofauti hizi kama msingi wa majaribio unaoeleza kwa nini modeli moja yenye kazi isiyobadilika haiwezi kujumuishwa kwa urahisi katika hali zote.

Kwa nini mtandao wa echo-state ulipendelewa?

Mitandao ya long short-term memory na mitandao ya kawaida ya neva inayojirudia inaweza kujifunza mfululizo mrefu wa muda; lakini ina idadi kubwa ya vigezo vinavyofunzwa. Echo-state network (ESN) hutumia reservoir kubwa yenye miunganisho michache. Katika ESN ya kawaida, sehemu muhimu ya miunganisho ya ingizo, reservoir na feedback hubaki bila kubadilika; hasa tabaka la matokeo ndilo hufunzwa. Muundo huu unalenga kutoa mchakato mwepesi zaidi wa mafunzo kwa mfululizo mrefu.

Katika utafiti, ESN ya kawaida iliboreshwa kwa njia mbili. Kwanza, hali mbili za reservoir zinazochakata mfululizo wa ingizo katika mwelekeo wa mbele na wa nyuma wa muda ziliunganishwa. Pili, perceptron yenye tabaka nyingi ilitumika badala ya tabaka la kawaida la matokeo la mstari. Muundo uliopatikana uliitwa mtandao wa kina wa echo-state wa pande mbili, au Bi-ESDN.

Modeli hutumia ingizo gani?

Ingizo kuu za modeli ni uhamaji wa aktueta na muda. Gradienti ya ishara ya uhamaji na thamani za kilele zilitolewa kama sifa za ziada, na ubadilishaji hasi wa logarithimu wa kigezo cha muda pia uliongezwa ili kuwakilisha mwenendo wa upotevu wa uwezo kwa muda.

Vekta ya mwisho ya ingizo ina vipengele vitano vifuatavyo:

• Uhamaji, d
• Gradienti ya uhamaji, d_grad
• Sifa ya kilele cha uhamaji, d_peak
• Muda, t
• Umbo hasi la logarithimu la muda, t_log

Modeli haikupewa uwiano wa shinikizo la maji ya vinyweleo, ugumu wa secant, deformation ya plastiki iliyokusanyika, nguvu ya udongo au vigezo vingine vya hali ya kimwili. Kwa hiyo modeli hujifunza muundo wa muda wa upotevu wa uwezo, lakini haiwezi kutenganisha ni utaratibu gani wa kimwili unaosababisha upotevu huo.

Meta-learning ya Reptile hutoa nini?

Badala ya kulenga modeli kufikia kosa la chini kabisa katika seti moja ya data, Reptile huilenga kujifunza nafasi ya vigezo vya kuanzia inayoweza kuzoea haraka kazi mpya kutoka katika kazi nyingi zinazohusiana. Katika kila mzunguko wa nje, kazi moja ya chanzo huchaguliwa, modeli hufanya masasisho kadhaa ya ndani kwenye kazi hiyo, na vigezo kuu husogezwa kwa sehemu kuelekea vigezo vipya vilivyopatikana kwenye kazi hiyo.

Katika utafiti, mbinu tatu za mafunzo zililinganishwa:

• Vanilla: Mafunzo kutoka mwanzo kwenye kazi lengwa bila kutumia kazi ya chanzo.
• Merge: Mafunzo ya awali kwa kuunganisha kazi chanzo D₂-D₈ katika seti moja ya data.
• Reptile: Kuchukua kazi za chanzo kama kazi tofauti na kujifunza vigezo vya pamoja vya kuanzia vinavyoweza kuzoea haraka.

Mbinu ya Merge ilitoa kosa dogo kwenye kazi chanzo; hata hivyo, kwa sababu iliunganisha kazi zisizo sawa bila kuzitofautisha, ilionyesha overfitting na kosa la majaribio lenye mabadiliko zaidi kwenye kazi lengwa. Reptile inalenga kubadilisha miundo ya pamoja na tofauti kati ya kazi kuwa vigezo vya kuanzia vinavyoweza kuzoea, badala ya kuunganisha data ya chanzo kama mfululizo mmoja.

Bi-ESDN ilifanyaje ikilinganishwa na modeli nyingine za mfululizo wa muda?

Katika seti ya data D₁, mizunguko 2.000 ya kwanza ilitumika kwa mafunzo na mizunguko 6.000 iliyobaki kwa majaribio. Mfululizo wote ulipunguzwa sampuli mara 10 ili kupunguza mahitaji ya kumbukumbu na kila seti ya data ikapunguzwa hadi hatua 80.000 za muda.

Ingawa kosa la mafunzo la Transformer liko karibu na Bi-ESDN, kosa lake la majaribio ni takribani mara 5,8 zaidi. Ramani ya attention katika utafiti inaonyesha kwamba ingizo la harmoniki la kawaida liliunda ndani ya Transformer muundo wa attention unaofanana na ubao wa dama na unaotegemea masafa ya upakiaji. Watafiti wanahusisha kuongezeka kwa kosa la majaribio na uwezekano kwamba muundo huu usiobadilika hauhamishiki kwenda kazi mpya wakati masafa yanabadilika.

Mbinu za mafunzo ya awali zililinganishwaje?

Mbinu ya Merge ilipata hasara ya chini zaidi kwenye data ya mafunzo, lakini ikatoa kosa la juu zaidi kwenye data ya majaribio. Ingawa kosa la mafunzo la Reptile lilikuwa kubwa kuliko la Merge, kosa lake la majaribio lilikuwa dogo zaidi. Matokeo haya yanaonyesha kwamba mafanikio ya mafunzo kwenye kazi chanzo pekee hayatoshi kwa uhamishaji kwenda kazi lengwa.

Modeli inaweza kutabiri kwa data ndogo kiasi gani ya hatua ya awali?

Sehemu ya awali ya mafunzo iliyotumiwa kwenye kazi lengwa ilipunguzwa kwa mpangilio hadi mizunguko 2.000, 1.500, 1.000, 500 na 100. Kama ilivyotarajiwa, kosa la mbinu zote liliongezeka kadiri kiasi cha data kilivyopungua. Hata hivyo, ongezeko katika mbinu ya Reptile lilibaki dogo zaidi kuliko katika mbinu nyingine mbili.

Wakati mizunguko 100 ya kwanza tu ilipotumiwa, kosa la Reptile lilikuwa takribani 1/17 ya kosa la Merge na takribani 1/8 ya kosa la Vanilla. Kwa hivyo modeli iliweza kujenga upya kwa uthabiti mwenendo wa muda mrefu kutoka kwa data ya awali inayolingana na 1/80 tu ya mfululizo mzima.

Uwezo wa mwisho wa kubeba ulitabiriwa kwa usahihi gani?

Watafiti walitumia wastani wa vilele vya juu vya nguvu katika sekunde 100 za mwisho za mfululizo kama kiashiria cha uwezo thabiti wa upande. Thamani halisi thabiti kwenye grafu ni takribani 0,029 kN.

Kadiri kiasi cha data kilivyopungua, uwezo wa mwisho uliotabiriwa ulikengeuka kwenda juu. Kwa hiyo, ingawa matokeo ya mizunguko 100 yalitoa muundo thabiti wa muda mrefu, hayana usahihi sawa na utabiri wa mizunguko 2.000.

Kwa nini kufanana kwa kazi chanzo na kazi lengwa ni muhimu?

Watafiti walikokotoa kufanana kati ya seti za data kwa uchambuzi wa vipengele vikuu na kufanana kwa Eros yenye uzito. D₁ ilitambuliwa kama kazi yenye kufanana kwa juu zaidi kwa ujumla na kazi nyingine, huku D₆ ikiwa kazi yenye kufanana kwa chini zaidi.

D₁ na D₆ zilipochunguzwa kando kama kazi lengwa, modeli iliweza kufanya utabiri kwa data ndogo katika zote mbili. Hata hivyo, urefu wa mafunzo ulipopunguzwa kutoka mizunguko 2.000 hadi 100, kosa la D₁ liliongezeka takribani mara 13, huku kosa la D₆ likiongezeka takribani mara 50. Kwamba D₆ ilitoa MSE kamili ya chini katika baadhi ya hali haimaanishi kwamba modeli ilikuwa imara zaidi huko. Ongezeko la kosa lililonormalishwa linaonyesha kuwa few-shot learning huwa dhaifu zaidi katika kazi lengwa isiyofanana sana na kazi chanzo.

Modeli inastahimili kelele za vipimo kwa kiasi gani?

Ustahimilivu wa kelele ulichunguzwa kwa kuongeza kelele nyeupe kwenye mfululizo wa muda wa ingizo na matokeo katika uwiano wa signal-to-noise wa infinity, 1.000, 100 na 20. Kadiri kelele zilivyoongezeka, makosa ya mafunzo na majaribio yaliongezeka, huku athari ikiwa kubwa zaidi kwenye data ya majaribio.

Watafiti waliripoti kuwa modeli iliendelea kutoa utabiri wa kuridhisha wakati thamani ya SNR ilikuwa zaidi ya 100. Kadiri kiwango cha kelele kilivyoongezeka kulingana na nishati ya ishara safi, tofauti za utabiri zilionekana zaidi, hasa katika hali ya SNR 20. Utafiti unaeleza kuwa thamani ya matumizi ya data ya ufuatiliaji hupungua pale kelele zinapozidi %5 ya ishara safi.

Matokeo haya si uwakilishi kamili wa kelele halisi za sensa. Jaribio lilitumia kelele nyeupe za sintetiki pekee; drift ya sensa za uwanjani, athari za mazingira za masafa ya chini, data inayokosekana, makosa ya muda na vipimo vya nje havikuchunguzwa kando.

Ni mambo gani makuu yenye nguvu katika utafiti?

• Modeli ya machine learning ilitathminiwa moja kwa moja kwenye mfululizo mrefu wa muda uliotolewa na majaribio ya mirundo ya mizunguko ya maabara.
• Kazi nane zinazohusiana lakini zisizo sawa ziliundwa kwa kutumia mirundo yenye ncha wazi na zilizofungwa pamoja na masafa manne ya upakiaji.
• Modeli ilijaribiwa si kwa kosa la mafunzo pekee, bali pia kwa sehemu ndefu ya majaribio na kwa kiasi cha data ya awali kinachopungua hatua kwa hatua.
• Mbinu mbalimbali za kulinganisha zilitumiwa, zikiwemo ESN ya kawaida, RNN, LSTM, Transformer, mafunzo kutoka mwanzo na mafunzo ya awali yaliyounganishwa.
• Uhusiano kati ya kufanana kwa chanzo-lengo na ustahimilivu wa few-shot learning ulichunguzwa kando.
• Uchambuzi tofauti wa ustahimilivu ulifanywa chini ya kelele za sintetiki.
• Mbali na mfululizo mzima wa muda wa upotevu wa uwezo, nguvu ya kilele cha mwisho kilicho thabiti pia ilitathminiwa.

Ni mapungufu gani makuu ya utafiti?

• Majaribio yalifanywa katika kiwango cha maabara na katika aina moja kuu ya udongo.
• Kwa kuwa udongo uliboreshwa kwa upakiaji wa awali kwa vakyumu, matokeo hayawezi kuhamishwa moja kwa moja kwenye matope asilia au yaliyoboreshwa kwa njia nyingine.
• Mirundo moja tu yenye ncha wazi na ncha zilizofungwa ilichunguzwa; hakuna vikundi vya mirundo wala mwingiliano wa rundo-rundo.
• Upakiaji ulikuwa wa kawaida, wa harmoniki, wa pande mbili na uliodhibitiwa kwa uhamaji. Mizigo isiyo ya kawaida ya dhoruba, mizigo ya pamoja ya wima-upande na spectra halisi hazikuchunguzwa.
• Mmomonyoko wa udongo, udongo wa tabaka, tabaka za kati za mchanga, udongo unaoweza kulainika na kina kinachobadilika cha kuzamishwa havikujumuishwa katika majaribio.
• Ingizo za modeli zimewekewa mipaka na sifa zinazotokana na uhamaji na muda; ingizo zinazofafanua hali ya kimwili ya udongo hazikutumiwa.
• Modeli haitambui utaratibu wa kimwili wa upotevu wa uwezo, bali hujenga upya tu muundo wa muda uliopimwa.
• Kazi nane zilitolewa ndani ya programu moja ya majaribio; hakuna uthibitisho wa nje kwa maabara tofauti, kiwango tofauti au mfumo tofauti wa sensa.
• Badala ya uthibitisho kamili wa leave-one-out kwa kazi nane, uchambuzi wa kina ulilenga hasa D₁ na D₆.
• Hakukutolewa mafunzo ya kurudia, usambazaji wa mianzo tofauti ya nasibu, vipindi vya kujiamini au jaribio la umuhimu wa kitakwimu kwa matokeo.
• Modeli haitoi kipindi cha kutokuwa na uhakika wala uwezekano wa tahadhari ya uongo.
• Haijaelezwa kwa kina ikiwa reservoir ya pande mbili inahitaji muktadha wa baadaye katika matumizi ya mtandaoni ya wakati halisi na jinsi itakavyoendeshwa kisababishi katika matumizi ya uwanjani.
• Hakuna uchambuzi tofauti wa unyeti uliotolewa kwa athari ya kupunguza sampuli mara 10 kwenye vilele vya nguvu vya muda mfupi.
• Hakuna uthibitisho wa uwanjani uliofanywa kwenye rundo halisi la pwani au msingi wa turbine ya upepo ya baharini.

Matokeo yanayoungwa mkono na utafiti

• Bi-ESDN ilitoa MSE ya majaribio ya chini kuliko ESN ya kawaida, RNN, LSTM na Transformer katika seti hii ya data ya maabara.
• Mafunzo ya awali ya Reptile yalitoa kosa dogo kuliko mbinu za Vanilla na Merge wakati data ya awali katika kazi lengwa ilikuwa ndogo sana.
• Kufanana kwa juu zaidi na kazi chanzo kulihusishwa na utabiri thabiti zaidi dhidi ya kupungua kwa data ya mafunzo.
• Modeli iliweza kutabiri kwa takriban umbo la jumla la muda mrefu la upotevu wa uwezo na uwezo thabiti wa kilele kwa kutumia mizunguko 100 ya kwanza.
• Utendaji wa modeli ulizorota kadiri kelele za sintetiki zilivyoongezeka, lakini uliendelea kuwa thabiti kwa kiasi katika hali za SNR 100 na zaidi.

Matokeo ambayo utafiti haujathibitisha

• Haijathibitishwa kwamba modeli inafanya kazi kama mfumo wa kuaminika wa tahadhari ya mapema katika miundo halisi ya baharini au pwani.
• Haijaonyeshwa kwamba Meta-ESN inaweza kujumuishwa kwa hali zote za mirundo, udongo na mizigo ya mazingira.
• Haijabainishwa kwamba upotevu wa uwezo unaotabiriwa na modeli unasababishwa na utaratibu fulani maalumu wa mechanics ya udongo.
• Kosa la 0,008 kN halijathibitishwa kuwa kiwango cha usalama kinachokubalika katika mizani yote ya uhandisi.
• Modeli haihesabu uwezekano wa tahadhari ya uongo, tahadhari iliyokosekana au kuporomoka kwa muundo.
• Thamani za MSE zilizopatikana katika kiwango cha maabara haziwezi kubadilishwa moja kwa moja kuwa sababu ya usalama ya rundo la prototaipu.
• Modeli si mfumo wa uwanjani unaoweza kufanya uamuzi wa matengenezo au uhamishaji peke yake.

Matokeo yana maana gani kwa matumizi?

Wazo muhimu zaidi la matumizi katika utafiti ni uwezekano wa kutabiri mabadiliko ya muda mrefu ya uwezo kutokana na data ya awali ya upakiaji bila kusubiri maisha yote ya huduma ya rundo. Ikiwa mbinu kama hii itathibitishwa kwa data ya uwanjani, inaweza kusaidia tathmini ya mapema ya hatari katika miundo mipya ambayo bado haijakusanya data za muda mrefu za ufuatiliaji au katika mirundo ambayo hali zake za kazi zimebadilika.

Ili kufanya hivyo, ni lazima kupita zaidi ya modeli ya maabara. Katika matumizi halisi, pamoja na uhamaji wa kichwa cha rundo na data za mzigo, ingizo za kimwili kama shinikizo la maji ya vinyweleo, momenti ya kupinda, kuongeza kasi, ugumu wa udongo, kina cha mmomonyoko, vipimo vya mawimbi na upepo zinapaswa kutathminiwa; upotevu wa data na drift katika sensa za uwanjani unapaswa kujaribiwa; kutokuwa na uhakika wa utabiri kunapaswa kuhesabiwa na vizingiti vya tahadhari vya uhandisi viamuliwe kwa uchambuzi huru wa usalama.

Mbinu na Matokeo ya Utafiti

Usasishaji wa hali ya mbele wa mtandao wa echo-state

\[ \mathbf{R}^{t+1}=\Psi_a\left(\mathbf{W}_{in}\mathbf{X}^{t}+\mathbf{W}_{res}\mathbf{R}^{t}+\mathbf{b}_{R}\right) \]

R^t inaonyesha hali ya reservoir yenye vipimo vingi wakati t; X^t vekta ya ingizo; W_in uzito wa ingizo; W_res miunganisho ndani ya reservoir; b_R bias ya reservoir na Ψ_a fungsi ya uanzishaji isiyo ya mstari. Utafiti umetaja tanjenti ya hiperboliki kama chaguo linalotumika sana.

Usasishaji wa reservoir yenye kuvuja

\[ \mathbf{R}^{t+1}=\lambda\mathbf{R}^{t}+(1-\lambda)\Psi_a\left(\mathbf{W}_{in}\mathbf{X}^{t}+\mathbf{W}_{res}\mathbf{R}^{t}+\mathbf{b}_{R}\right) \]

λ ni kigezo cha kuvuja kinachochaguliwa kati ya 0 na 1. Kinaamua ni kiasi gani cha hali ya zamani ya reservoir kitahifadhiwa na kwa kasi gani ingizo jipya litaingizwa katika mfumo. Katika modeli ya mwisho iliyotumiwa, λ = 0,6.

Matokeo ya ESN ya kawaida

\[ \hat{\mathbf{Y}}^{t}=\mathbf{W}_{out}[\mathbf{X}^{t};\mathbf{R}^{t}]+\mathbf{W}_{back}\hat{\mathbf{Y}}^{t-1}+\mathbf{b}_{Y} \]

W_out inaonyesha uzito wa matokeo unaobadilisha ingizo na hali za reservoir kuwa utabiri; W_back feedback ya utabiri uliopita kwenda kwenye matokeo ya sasa; na b_Y bias ya matokeo. Nukta mkato ndani ya mabano ya mraba inaonyesha kwamba vekta zimeunganishwa.

Fungsi ya hasara ya ESN

\[ \mathcal{L}(\mathbf{Y},\hat{\mathbf{Y}})=\frac{1}{N_{out}}\sum_{i=1}^{N_{out}}\left(\sum_{n=T_a}^{T}(Y_i^n-\hat{Y}_i^n)^2+\eta\lVert\mathbf{W}_{out}\rVert^2\right) \]

T_a ni sehemu ya warm-up inayotumiwa ili hali za awali za reservoir zifikie utulivu, na utafiti unasema kwamba chaguo la kawaida ni takribani %10 ya urefu wa jumla wa mfululizo. η ni kigezo cha regularization kinachoweka mipaka kwenye uzito wa matokeo.

Reservoir ya mwelekeo wa nyuma

\[ \bar{\mathbf{R}}^{t}=\lambda\bar{\mathbf{R}}^{t+1}+(1-\lambda)\Psi_a\left(\mathbf{W}_{in}\mathbf{X}^{t+1}+\mathbf{W}_{res}\bar{\mathbf{R}}^{t+1}+\mathbf{b}_{R}\right) \]

Hali ya reservoir yenye mstari wa juu huundwa kwa kuchakata mfululizo wa ingizo katika mwelekeo wa nyuma wa muda. Lengo ni kutumia pamoja muktadha wa muda wa mbele na nyuma katika kutabiri thamani ya sasa.

Matokeo ya Bi-ESDN ya pande mbili

\[ \hat{\mathbf{Y}}^{t}=\mathbf{W}_{out}[\mathbf{X}^{t};\mathbf{R}^{t};\operatorname{flip}(\bar{\mathbf{R}}^{t})]+\mathbf{W}_{back}\hat{\mathbf{Y}}^{t-1}+\mathbf{b}_{Y} \]

Reservoir ya mbele, reservoir ya nyuma iliyogeuzwa ili kurudishwa katika mpangilio wa muda, na ingizo la sasa huunganishwa kwenye tabaka moja la matokeo. Kwa sababu utafiti ulitumia perceptron yenye tabaka nyingi badala ya matokeo ya mstari, muundo huu uliitwa Bi-ESDN.

Lengo la meta-learning

\[ \min_{\phi}\mathbb{E}_{\pi}\left[\mathcal{L}_{\pi,te}\left(\mathcal{G}_{\pi,tr}(\phi)\right)\right] \]

φ inaonyesha vigezo vya kuanzia vinavyojifunzwa kati ya kazi; π kazi iliyochaguliwa kutoka usambazaji wa kazi chanzo; G_π,tr sasisho la mzunguko wa ndani kwenye data ya msaada; na L_π,te hasara ya majaribio kwenye data ya query. Lengo ni kupata sehemu ya kuanzia inayozalisha kosa dogo kwenye kazi mpya baada ya masasisho machache ya ndani.

Gradienti ya mzunguko wa nje ya MAML

\[ \mathbf{g}_{MAML}=\frac{\partial}{\partial\phi}\mathcal{L}_{\pi,te}\left(\mathcal{G}_{\pi,tr}(\phi)\right)=\mathcal{G}'_{\pi,tr}(\phi)\mathcal{L}'_{\pi,te}(\phi) \]

Kwa kuwa MAML hujumuisha pia derivative ya uboreshaji wa mzunguko wa ndani katika hesabu ya mzunguko wa nje, inaweza kuhitaji hesabu za daraja la pili au zinazohusisha Jacobian. Utafiti hutumia Reptile kupunguza gharama hii.

Meta-update ya Reptile

\[ \mathbf{g}_{Reptile}=\beta(\phi'-\phi) \]

φ′ inaonyesha vigezo vilivyopatikana mwishoni mwa mzunguko wa ndani kwenye kazi iliyochaguliwa; β kiwango cha meta-learning. Vigezo kuu husogezwa kuelekea vigezo vilivyobadilishwa kwa kazi kwa uwiano β. Katika utafiti, matokeo bora yalipatikana kwa n = 3, β = 0,2 na idadi ya epoch za mzunguko wa ndani ε = 50.

Urefu muhimu kwa rundo la prototaipu na modeli

\[ L_{cr,p}=4{,}44\left(\frac{E_{p,p}I_{p,p}}{E_{s,p}}\right)^{1/4} \]

\[ L_{cr,m}=4{,}44\left(\frac{E_{p,m}I_{p,m}}{E_{s,m}}\right)^{1/4} \]

L_cr inaonyesha urefu muhimu wa rundo; E_pI_p ugumu wa kupinda wa rundo kwa kitengo cha N·m²; na E_s moduli ya Young ya udongo kwa kitengo cha N/m². Viashiria p na m vinaonyesha mtawalia rundo la prototaipu na la modeli.

Uwiano wa ufanano wa urefu muhimu

\[ \lambda_L=\frac{L_{cr,p}}{L_{cr,m}}=C_E^{1/4}C_l \]

C_l ni konstanti ya ufanano wa kijiometri; C_E ni konstanti ya ufanano wa moduli ya unyumbufu. Katika utafiti C_l = 20 na C_E = 1 zilikubaliwa.

Sharti la ufanano wa kupinda

\[ \frac{E_{p,p}I_{p,p}}{E_{s,p}}\times\frac{E_{s,m}}{E_{p,m}I_{p,m}}=20^4 \]

Sharti hili lilitumika kulinganisha sifa za unyumbufu jamaa za mirundo ya modeli na prototaipu, na unene wa ukuta wa rundo la modeli ukawekwa kuwa 1,50 mm.

Uwekaji kwa kiwango wa masafa ya upakiaji

\[ f_m=f_p\frac{D_p}{D_m} \]

Kwa mizigo ya mawimbi, kwa kutumia masafa ya prototaipu ya 0,05-0,10 Hz na uwiano wa kipenyo 0,64/0,032, masafa ya modeli yalikokotolewa kuwa 1-2 Hz; kwa mizigo ya upepo, kwa kutumia 0,017-0,05 Hz, yalikokotolewa kuwa takribani 0,34-1 Hz. Katika programu ya majaribio, pamoja na masafa ya 0,5, 1 na 2 Hz, 4 Hz ilitumika kuwakilisha hali kali.

Matriksi ya covariance ya seti ya data

\[ \mathbf{C}_i=\frac{1}{8\times10^4-1}\mathbf{D}_i^{T}\mathbf{D}_i \]

Kila seti ya data iliyopunguzwa sampuli ina takribani uchunguzi 80.000 na vigezo vitatu vya msingi. C_i ni matriksi ya covariance ya 3 × 3 ya seti ya data iliyosawazishwa yenye namba i.

Utenganuzi wa vipengele vikuu

\[ \mathbf{C}_i=\mathbf{U}_i\mathbf{\Sigma}_i\mathbf{U}_i^{T} \]

U_i inaonyesha eigenvectors za matriksi ya covariance; Σ_i matriksi ya diagonal yenye eigenvalues. Eigenvectors zinawakilisha mielekeo mikuu ya mabadiliko katika seti ya data.

Kufanana kwa Eros yenye uzito

\[ \operatorname{Eros}(\mathbf{D}_i,\mathbf{D}_j,\boldsymbol{\omega})=\sum_{k=1}^{3}\omega_k\left|\langle\mathbf{u}_{ik},\mathbf{u}_{jk}\rangle\right| \]

Inner product kati ya vipengele vikuu vya mpangilio uleule katika seti mbili za data huhesabiwa na thamani kamili hutumiwa. Kadiri matokeo yanavyokaribia 1, ndivyo mielekeo mikuu ya mabadiliko ya seti za data inavyochukuliwa kuwa inafanana zaidi.

Uzito wa Eros

\[ \omega_k=\frac{\mathbb{E}(\Sigma_{i,kk},\,i=1,\ldots,8)}{\sum_{k=1}^{3}\mathbb{E}(\Sigma_{i,kk},\,i=1,\ldots,8)} \]

Uzito wa kila kipengele kikuu huamuliwa kulingana na mchango wa wastani wa eigenvalue katika seti nane za data. Kipengele kikuu kinachoeleza variance kubwa zaidi hupata uzito mkubwa zaidi katika hesabu ya kufanana.

Hyperparameters za Bi-ESDN

Hyperparameters zilichaguliwa kwa grid search. Ukubwa wa reservoir ulitathminiwa kati ya 1.000, 2.000 na 4.000; idadi ya tabaka za MLP kati ya 3, 4 na 5; na upana wa tabaka kati ya 25, 50 na 100. Hesabu zilifanywa kwa kutumia prosesa Intel i7-13790F na prosesa ya grafiki NVIDIA RTX 4070 Ti SUPER.

Muhtasari wa kiufundi wa matokeo

• Bi-ESDN ilitoa kosa la chini zaidi kwa MSE ya majaribio ya 13,90 × 10^-7 katika ulinganisho wa modeli wa kazi moja.
• Mpangilio bora wa meta-learning wa Reptile uliamuliwa kuwa n = 3, β = 0,2 na ε = 50.
• Kwa mizunguko 2.000 ya kwanza, hasara ya majaribio ya Reptile ilikuwa 1,4 × 10^-6.
• Kwa mizunguko 100 ya kwanza, MSE ya Reptile ilihesabiwa kuwa 2,63 × 10^-5.
• Kwa mizunguko 100 ya kwanza, uwezo thabiti wa kilele uliotabiriwa ulikuwa takribani 0,037 kN, thamani halisi takribani 0,029 kN na tofauti kamili 0,008 kN.
• Katika D₆, ambayo inafanana kidogo na kazi chanzo, data ilipopunguzwa kutoka mizunguko 2.000 hadi 100, ongezeko la kosa jamaa lilikuwa takribani mara 50.
• Katika kazi D₁ inayofanana zaidi, upunguzaji huohuo ulitoa ongezeko la kosa la takribani mara 13.
• Katika uchambuzi wa kelele za sintetiki, hali za SNR 100 na zaidi zilihusishwa na utabiri thabiti zaidi.

Maelezo ya Chanzo na Mbinu

Jina kamili asilia la utafiti: Meta-ESN: Early warning on the lateral cyclic capacity of flexible piles using a meta-learning-aided bi-directional echo-state deep network

Waandishi na mpangilio wao sahihi: Wei Qin; Yuqi Pan; Yanke Tan; Xin Ye; Hao Wu; Guoliang Dai; Dong Wang.

Mwandishi wa kwanza: Wei Qin.

Uandishi wa kwanza wa pamoja: Taarifa ya uandishi wa kwanza wa pamoja au mchango sawa haijaonyeshwa.

Mwandishi wa mawasiliano: Xin Ye. Anwani ya mawasiliano iliyotolewa katika chanzo: nixey.ye@connect.polyu.hk.

Mahusiano ya taasisi:

• College of Civil Engineering and Architecture, Wenzhou University, Wenzhou, China.
• Key Laboratory of Earthquake Engineering and Engineering Vibration, Institute of Engineering Mechanics, China Earthquake Administration, Harbin, China.
• Key Laboratory of Engineering and Technology for Soft Soil Foundation and Tideland Reclamation of Zhejiang Province, Wenzhou, China.
• Key Laboratory of Marine Environment and Ecology, Ministry of Education, Ocean University of China, Qingdao, China.
• Department of Civil and Environmental Engineering, The Hong Kong Polytechnic University, Hong Kong.
• National Rail Transit Electrification and Automation Engineering Technology Research Center (Hong Kong Branch), Hong Kong.
• College of Civil Engineering, Tongji University, Shanghai, China.
• Wenzhou Port Group Co., Ltd., Wenzhou, China.
• School of Civil Engineering, Southeast University, Nanjing, China.

Ulinganifu wa mwandishi-taasisi: Wei Qin: Wenzhou University, maabara ya China Earthquake Administration na maabara ya udongo laini ya Zhejiang; Yuqi Pan: Ocean University of China na Wenzhou University; Yanke Tan: The Hong Kong Polytechnic University, kituo cha utafiti wa reli cha Hong Kong na Tongji University; Xin Ye: Wenzhou University na maabara ya udongo laini ya Zhejiang; Hao Wu: Wenzhou Port Group na Wenzhou University; Guoliang Dai: Southeast University; Dong Wang: Ocean University of China.

DOI: 10.2139/ssrn.7199956

Jarida: Jarida lililopitiwa na wenzao au toleo la mwisho la jarida lililokubaliwa halijathibitishwa kwa toleo hili.

Jukwaa la uchapishaji: SSRN.

Mtoa huduma wa jukwaa: Elsevier.

Mwaka wa uchapishaji: 2026.

Aina ya chanzo: Preprint ya utafiti inayounganisha jaribio la modeli ya maabara, uchambuzi wa mfululizo wa muda na uundaji wa modeli wa meta-learning.

Hali ya mapitio ya wenzao: Utafiti huu ni preprint ambayo haijapitia mapitio ya wenzao; matokeo yanapaswa kusomwa kwa kuzingatia kikomo hiki.

Kiungo rasmi cha utafiti:Ukurasa rasmi wa utafiti wa SSRN

Kiungo cha DOI:https://doi.org/10.2139/ssrn.7199956

Maelezo haya ya Kiswahili yameandaliwa baada ya kuchunguza kwa ukamilifu utafiti wa kurasa 32 uliopakiwa. Miundo ya modeli, milinganyo ya kihisabati, mpangilio wa majaribio, vigezo vya rundo la modeli na prototaipu, maandalizi ya udongo, hali nane za upakiaji, grafu za hysteresis, ulinganisho wa modeli, matokeo ya few-shot learning, kufanana kwa kazi na uchambuzi wa kelele vimetathminiwa. Hakuna matokeo mapya ya kisayansi yaliyoongezwa kutoka vyanzo vya nje. Vyanzo vya nje vilitumika tu kwa uthibitisho wa kibibliografia wa DOI, rekodi ya SSRN na hali ya uchapishaji.

Mapungufu makuu ya utafiti ni kubaki katika kiwango cha maabara, kutumia profaili moja kuu ya udongo, kuchunguza aina mbili tu za ncha za rundo na masafa ya kawaida ya upakiaji, kutokuwa na vigezo vya moja kwa moja vya hali ya udongo katika ingizo za modeli, kutotoa vipindi vya kutokuwa na uhakika na kutofanya uthibitisho kwenye mirundo halisi ya uwanjani. Utafiti hautoi mafanikio ya uhakika ya tahadhari ya mapema wala dhamana ya usalama wa muundo katika rundo halisi la pwani.