論文の概要: Data-Driven Failure Prediction in Brittle Materials: A Phase-Field Based
Machine Learning Framework
- arxiv url: http://arxiv.org/abs/2003.10975v1
- Date: Tue, 24 Mar 2020 17:13:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 08:42:25.918219
- Title: Data-Driven Failure Prediction in Brittle Materials: A Phase-Field Based
Machine Learning Framework
- Title（参考訳）: 脆性材料におけるデータ駆動型故障予測:位相場に基づく機械学習フレームワーク
- Authors: Eduardo A. Barros de Moraes, Hadi Salehi and Mohsen Zayernouri
- Abstract要約: 繰り返しまたは増加する負荷下でマイクロ・マクロ・クラックによって導かれる脆性材料の破壊は、しばしば破滅的である。
等温・線形弾性・等方位相場モデルにおける故障を予測するための教師付き機械学習(ML)フレームワークを開発した。
提案手法は,高い騒音レベルが存在する場合でも,許容精度で故障を予測できることを示す。
- 参考スコア（独自算出の注目度）: 1.3858051019755282
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Failure in brittle materials led by the evolution of micro- to macro-cracks
under repetitive or increasing loads is often catastrophic with no significant
plasticity to advert the onset of fracture. Early failure detection with
respective location are utterly important features in any practical
application, both of which can be effectively addressed using artificial
intelligence. In this paper, we develop a supervised machine learning (ML)
framework to predict failure in an isothermal, linear elastic and isotropic
phase-field model for damage and fatigue of brittle materials. Time-series data
of the phase-field model is extracted from virtual sensing nodes at different
locations of the geometry. A pattern recognition scheme is introduced to
represent time-series data/sensor nodes responses as a pattern with a
corresponding label, integrated with ML algorithms, used for damage
classification with identified patterns. We perform an uncertainty analysis by
superposing random noise to the time-series data to assess the robustness of
the framework with noise-polluted data. Results indicate that the proposed
framework is capable of predicting failure with acceptable accuracy even in the
presence of high noise levels. The findings demonstrate satisfactory
performance of the supervised ML framework, and the applicability of artificial
intelligence and ML to a practical engineering problem, i.,e, data-driven
failure prediction in brittle materials.
- Abstract（参考訳）: 繰り返しまたは増大する荷重下でのミクロ・マクロ・クラックの進化による脆性材料の破壊は、しばしば破折の開始を阻止するために顕著な塑性を持たず破滅的である。
それぞれの位置での早期故障検出は、あらゆる実用アプリケーションにおいて非常に重要な特徴であり、どちらも人工知能を使って効果的に対処することができる。
本稿では, 脆性材料の損傷と疲労に対する等温, 線形弾性および等方性相場モデルにおける故障予測のための教師付き機械学習(ML)フレームワークを開発する。
位相場モデルの時系列データは、幾何の異なる位置にある仮想センシングノードから抽出される。
時系列データ/センサノード応答を対応するラベル付きパターンとして表現し、MLアルゴリズムと統合し、特定パターンによる損傷分類に用いるパターン認識方式を導入する。
時系列データにランダムノイズを重畳して不確実性解析を行い,雑音汚染データを用いたフレームワークのロバスト性を評価する。
提案手法は,騒音レベルが高い場合においても許容できる精度で故障を予測できることを示す。
その結果,教師付きMLフレームワークの良好な性能,人工知能とMLの実用的工学的問題への適用性が示された。
脆性材料におけるデータ駆動型故障予測。
関連論文リスト
- Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。
具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。
アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
論文 参考訳（メタデータ） (2023-08-06T05:58:45Z) - A hybrid feature learning approach based on convolutional kernels for
ATM fault prediction using event-log data [5.859431341476405]
イベントログデータから特徴を抽出するために,畳み込みカーネル(MiniROCKETとHYDRA)に基づく予測モデルを提案する。
提案手法は,実世界の重要な収集データセットに適用される。
このモデルは、ATMのタイムリーなメンテナンスにおいてオペレータをサポートするコンテナベースの意思決定支援システムに統合された。
論文 参考訳（メタデータ） (2023-05-17T08:55:53Z) - Lightweight, Uncertainty-Aware Conformalized Visual Odometry [2.429910016019183]
データ駆動型ビジュアルオドメトリー(VO)は、自律エッジロボティクスにとって重要なサブルーチンである。
昆虫スケールドローンや外科ロボットのような最先端ロボットデバイスは、VOの予測の不確実性を推定する計算的に効率的な枠組みを欠いている。
本稿では,共形推論(CI)を利用してVOの不確実な帯域を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-03T20:37:55Z) - MAPS: A Noise-Robust Progressive Learning Approach for Source-Free
Domain Adaptive Keypoint Detection [76.97324120775475]
クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。
本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
論文 参考訳（メタデータ） (2023-02-09T12:06:08Z) - Self-learning locally-optimal hypertuning using maximum entropy, and
comparison of machine learning approaches for estimating fatigue life in
composite materials [0.0]
疲労損傷を予測するための最大エントロピーの原理に基づくML近傍近似アルゴリズムを開発した。
予測は、他のMLアルゴリズムと同様、高いレベルの精度を達成する。
論文 参考訳（メタデータ） (2022-10-19T12:20:07Z) - MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。
MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。
我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
論文 参考訳（メタデータ） (2021-11-04T22:38:18Z) - Cloud Failure Prediction with Hierarchical Temporary Memory: An
Empirical Assessment [64.73243241568555]
Hierarchical Temporary Memory (HTM) は、新皮質の特徴にインスパイアされた教師なし学習アルゴリズムである。
本稿では,障害予測の文脈でHTMを評価する最初の体系的研究について述べる。
論文 参考訳（メタデータ） (2021-10-06T07:09:45Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Out-Of-Bag Anomaly Detection [0.9449650062296822]
データ異常は、実世界のデータセットでユビキタスであり、機械学習(ML)システムに悪影響を及ぼす可能性がある。
本稿では,新しいモデルに基づく異常検出手法を提案し,その手法をアウト・オブ・バグ検出と呼ぶ。
本手法は,家庭評価のケーススタディを通じて,データ前処理のステップとして,MLシステムの精度と信頼性を向上させることができることを示す。
論文 参考訳（メタデータ） (2020-09-20T06:01:52Z) - Few-Shot Bearing Fault Diagnosis Based on Model-Agnostic Meta-Learning [3.8015092217142223]
モデルに依存しないメタラーニング(MAML)に基づく断層診断のための数発の学習フレームワークを提案する。
ケーススタディでは、提案したフレームワークは、シームズネットワークベースのベンチマーク研究よりも25%高い精度で全体の精度を達成している。
論文 参考訳（メタデータ） (2020-07-25T04:03:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。