Calibration of potential drop measuring and damage extent prediction by Bayesian filtering and smoothing

در مقاله حاضر، یک روش جدید برای مسئله کالیبراسیون با استفاده از فیلتر کردن و هموار سازی بیزی پیشنهاد شده است. یک مدل فضای حالت احتمالی که حاوی اطلاعات پیشین درباره میزان آسیب و پارامترهای کالیبراسیون و همچنین مدل های توصیف فرایند است، تعریف شده و سپس برای تعیین میزان آسیب نمونه های مورد آزمایش از خستگی از اندازه گیری های احتمالی افت استفاده می شود. اولا نتایج به دست آمده در شکل توابع توزیع خنثی شرطی مشترک به منظور تسهیل ارزیابی یک کالیبراسیون مدل مستقیم از یک طرف و تخمین میزان آسیب مستقیم از سوی دیگر با توجه به عدم اطمینان پایدار مورد بهره برداری قرار می گیرد. در یک قدم بعدی، تخمین ها و تخمین های مربوط به تخمین های مربوطه در زمان های مختلف منتشر می شود تا امکان ارزیابی امکان پذیری تصمیم گیری را در گستره وسیعی از نظارت بر سلامت سازه و پیش آگهی آسیب ببیند. تجزیه و تحلیل عملکرد کامل با توجه به آسیب واقعی، گسترش داده ها را انجام می دهد، نشان دادن نتایج دقیق است.