지진이 발생하면 건물이 안전 해지기를 원합니다.
Civil & Environmental Engineering Assistant Elnaz Seylabi 슬롯 나라는 지상이 흔들릴 때 어떻게 행동 할 것인지에 대한 예측을 개선하여 구조물을 더 안전하게 만드는 방법을 개발하고 있습니다. 그녀는 기계 학습을 지구 구조 시스템에 대한 물리 기반 지식과 통합하는 새로운 계산 프레임 워크를 발전시키고 있습니다.
이 혁신적인 프레임 워크는 오늘날의 고 충실도 수치 시뮬레이션보다 훨씬 빠르게 실행되는 대리 모델로 이어질 수 있으며 여전히 기본 메커니즘을 존중할 수 있습니다. 속도와 신뢰성의 이러한 도약은 토양 구조 시스템에 관한 지진 슬롯 나라 관행을 변화시킬 수 있습니다.
“2019 년 리노, 슬롯 나라 대학교에 입학했을 때, 그것은 내가 탐험하고 싶었던 분야였습니다.”라고 Seylabi는 말했습니다.
101782_102055
Dr. 슬롯 나라는 엔지니어링 역학 및 지진학 분야에서 매우 재능있는 연구원입니다. "NSF 가이 권위있는 경력 상으로 그녀의 잠재력을 인정하게되어 매우 기쁩니다."
고 충실도 수치 모델의 도전
Seylabi의 경력 자금 지원 프로젝트,“지구 구조 시스템의 대리 모델링을위한 PIML (Physics Informed Machine Learning) 프레임 워크”는 지구 구조 연구에서 오랜 장벽을 극복하려고합니다. 이것은 2016 년 로스 앤젤레스 캘리포니아 대학교 (UCLA)에서 슬롯 나라 공학 박사 학위를 취득한 이후로 그녀가 참여한 과제입니다.
오늘날의 최첨단 수치 모델 (본질적으로 물리적 시스템의 수학적 표현)은 토양과 구조의 거동을 높은 충실도로 시뮬레이션 할 수 있습니다. 그러나 이러한 모델은 가파른 계산 비용으로 제공됩니다. 통계 모델링을 통한 문제 불확실성을 포함하는 단일 확률 분석은 중요한 컴퓨팅 예산이 필요할 수 있습니다..
복합화 이것은 실험 및 현장 데이터로 이러한 모델을 교정하기가 어렵고 모델링 편향 및 오류를 특성화하는 지속적인 도전.
“우리는 시스템 수준 에서이 최적화 문제를 해결해야합니다.”라고 슬롯 나라는 말했습니다.
신속하고 신뢰할 수있는 예측을 향해
슬롯 나라의 커리어 프로젝트는 두 가지 과제를 모두 해결하는 것을 목표로합니다. PIML 프레임 워크는 물리학을 기계 학습 교육 프로세스에 직접 포함시켜 물리 법률 위반에 처해됩니다. 대규모 데이터 세트의 필요성을 줄이고 모델 일반화 개선.
결과는 물리적 해석 성을 유지하고 교육 데이터 요구 사항을 낮추며 거의 실시간 지진 반응 예측을 제공하는 대리 모델입니다. 이 발전은보다 반응적인 센서 통합, 향상된 지진 위험 평가 및 지구 구조 시스템에 대한 적응 관리 전략을위한 길을 열어줍니다.
그녀의 경력 프로젝트는 주로 계산이지만 슬롯 나라는 이전 대규모 실험에서 수집 한 데이터를 사용하여 프레임 워크를 검증 할 계획입니다..
“장기적 으로이 작업은 저의 연구뿐만 아니라 복잡한 역학 시스템을 연구하는 다른 연구자들에게도 도움이 될 수 있습니다. "시스템 수준에서 불확실성을 설명하면서 이러한 시스템을 효율적으로 분석하기위한 새로운 프레임 워크 역할을 할 수 있습니다.".
프로젝트에는 중요한 교육 요소도 있습니다. Seylabi는 과학 기계 학습 개념을 슬롯 나라 공학 과정에 통합 하고이 지역의 고등학생을위한 봉사 활동 모듈을 개발할 계획입니다.
“우리는 차세대 슬롯 나라 엔지니어를 책임감있게 기계 학습을 적용하도록 장비하고 있습니다.
