베이지언 추론에 기반한 확률론적 피로수명 평가

Q: 이 논문에서 정의한 베이지언 추론이란 무엇인가?

베이지언 추론은 베이지언 확률론을 기반으로 확률 변수의 분포를 추론하는 방법이다. 이는 확률을 '믿음의 정도를 나타내는 양'으로 해석하며, '전체 사건 횟수 중 특정 사건의 발현 횟수'를 뜻하는 빈도주의 추론과 구분된다. 불확실성 문제를 수학적으로 다룰 때 귀납적 추론을 사용한다.

Q: 베이지언 선형 회귀 모델과 마르코프 체인 몬테카를로 시뮬레이션의 적용 가능성은 무엇인가?

연구 결과, 베이지언 선형 회귀 모델(BLM)과 마르코프 체인 몬테카를로 시뮬레이션(MCMC)은 선형 회귀와 같은 저차원계 문제 해결에 모두 효과적이다. 특히, BLM은 해석적 계산을, MCMC는 수치적 추정을 통해 P-S-N 곡선 파라미터의 사후 분포를 유사하게 도출하며, 다차원계 문제에는 MCMC가 더 적합하다.

박명진; 김유일

doi:10.3744/SNAK.2019.56.2.161

학술저널 Full-text AI

저자정보: 박명진 (인하대학교) 김유일 (인하대학교)

저널정보: 대한조선학회 대한조선학회 논문집 대한조선학회논문집 제56권 제2호(통권 제224호)

오류 신고하기

피인용 0

검색

초록·키워드

In general, fatigue analysis is performed by using deterministic model to estimate the optimal parameters. However, the deterministic model is difficult to clearly describe the physical phenomena of fatigue failure that contains many uncertainty factors. With regard to this, efforts have been made in this research to compare with the deterministic model and the stochastic models. Firstly, One deterministic S-N curve was derived from ordinary least squares technique and two P-S-N curves were estimated through Bayesian-linear regression model and Markov-Chain Monte Carlo simulation. Secondly, the distribution of Long-term fatigue damage and fatigue life were predicted by using the parameters obtained from the three methodologies and the long-term stress distribution.

#Long-term fatigue damage(장기 피로 손상도) #Stochastic fatigue life assessment(확률론적 피로 수명 평가) #Probabilistic S-N curve(확률론적 S-N 곡선) #Bayesian inference(베이지언 추론) #Bayesian linear regression(베이지언 선형 회귀) #Markov chain monte carlo simulation(마르코프 체인 몬테 카를로 시뮬레이션)

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

UCI(KEPA) : I410-ECN-0101-2019-538-000562029

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록·키워드

참고문헌

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

피인용 자료 DBpia에 구축된 참고문헌을기준으로 집계되어, 타 사이트의피인용 수와 다를 수 있습니다.

댓글(0)

피인용 자료