論文の概要: Data-Driven Method for Enhanced Corrosion Assessment of Reinforced
Concrete Structures
- arxiv url: http://arxiv.org/abs/2007.01164v1
- Date: Wed, 1 Jul 2020 16:02:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 23:29:14.426098
- Title: Data-Driven Method for Enhanced Corrosion Assessment of Reinforced
Concrete Structures
- Title（参考訳）: データ駆動による鉄筋コンクリート構造物の耐食性評価法
- Authors: Woubishet Zewdu Taffese
- Abstract要約: 鉄筋コンクリート構造物の耐食性に影響を及ぼす主な問題である。
本論文の総合的な目的は, 腐食抑制因子の評価信頼性を高める枠組みを提供することである。
このフレームワークは、データ駆動炭酸化深度、塩化物プロファイルおよび温熱性能予測モデルの開発を通じて実現されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Corrosion is a major problem affecting the durability of reinforced concrete
structures. Corrosion related maintenance and repair of reinforced concrete
structures cost multibillion USD per annum globally. It is often triggered by
the ingression of carbon dioxide and/or chloride into the pores of concrete.
Estimation of these corrosion causing factors using the conventional models
results in suboptimal assessment since they are incapable of capturing the
complex interaction of parameters. Hygrothermal interaction also plays a role
in aggravating the corrosion of reinforcement bar and this is usually
counteracted by applying surface-protection systems. These systems have
different degree of protection and they may even cause deterioration to the
structure unintentionally. The overall objective of this dissertation is to
provide a framework that enhances the assessment reliability of the corrosion
controlling factors. The framework is realized through the development of
data-driven carbonation depth, chloride profile and hygrothermal performance
prediction models. The carbonation depth prediction model integrates neural
network, decision tree, boosted and bagged ensemble decision trees. The
ensemble tree based chloride profile prediction models evaluate the
significance of chloride ingress controlling variables from various
perspectives. The hygrothermal interaction prediction models are developed
using neural networks to evaluate the status of corrosion and other unexpected
deteriorations in surface-treated concrete elements. Long-term data for all
models were obtained from three different field experiments. The performance
comparison of the developed carbonation depth prediction model with the
conventional one confirmed the prediction superiority of the data-driven model.
The variable ...
- Abstract（参考訳）: 鉄筋コンクリート構造物の耐食性に影響を及ぼす主な問題である。
鉄筋コンクリート構造物の耐食・補修費は全世界で数十億米ドルである。
しばしば、コンクリートの細孔への二酸化炭素や塩化物の侵入によって引き起こされる。
従来モデルを用いた腐食要因の推定は,パラメータの複雑な相互作用を捉えることができないため,準最適評価となる。
熱水相互作用は鉄筋の腐食を増進させる役割も担っており、通常は表面保護システムの適用によって阻害される。
これらのシステムは保護の度合いが異なり、意図せず構造物の劣化を引き起こすこともある。
この論文の全体的な目的は、腐食制御因子の評価信頼性を高める枠組みを提供することである。
このフレームワークは、データ駆動炭酸化深度、塩化物プロファイルおよび温熱性能予測モデルの開発を通じて実現されている。
炭酸化深度予測モデルは、ニューラルネットワーク、決定木、強化およびバッジアンサンブル決定木を統合する。
アンサンブルツリーに基づく塩化物プロファイル予測モデルは,様々な観点から塩化物インレス制御変数の意義を評価する。
表面処理したコンクリート要素の腐食およびその他の予期せぬ劣化状況を評価するため,ニューラルネットワークを用いた熱水相互作用予測モデルを開発した。
3つの異なるフィールド実験から全モデルの長期データを得た。
開発した炭酸化深度予測モデルと従来モデルの性能比較により,データ駆動モデルの予測精度が確認された。
変数...
関連論文リスト
- Constrained Recurrent Bayesian Forecasting for Crack Propagation [0.40964539027092917]
本稿では,レール上のひび割れ長さの時間的変化を予測するために,頑健なベイズ多水平法を提案する。
鉄道整備におけるモデルの信頼性を高めるため、具体的な制約が組み込まれている。
この結果から,予測精度と制約コンプライアンスのトレードオフが明らかとなり,モデルトレーニングにおける不確実な意思決定プロセスが浮き彫りになった。
論文 参考訳（メタデータ） (2024-10-18T13:15:53Z) - TCP-Diffusion: A Multi-modal Diffusion Model for Global Tropical Cyclone Precipitation Forecasting with Change Awareness [13.696784449863959]
熱帯サイクロン降水拡散 (TCP-Diffusion) は, 熱帯サイクロン降水量予測のマルチモーダルモデルである。
過去の降雨観測とマルチモーダル環境変数に基づいて,過去12時間のTCセンター周辺の降雨を3時間ごとの解像度で予測した。
気象要因の影響とNWPモデル予測からの有用性を考慮し,特殊エンコーダを用いたマルチモデルフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-17T02:58:05Z) - Towards Understanding the Robustness of Diffusion-Based Purification: A Stochastic Perspective [65.10019978876863]
拡散性浄化(DBP)は、敵の攻撃に対する効果的な防御機構として出現している。
本稿では、DBPプロセスの本質が、その堅牢性の主要な要因であると主張している。
論文 参考訳（メタデータ） (2024-04-22T16:10:38Z) - CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded
Modelling [93.65319031345197]
本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。
CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
論文 参考訳（メタデータ） (2024-02-06T08:30:47Z) - Comparing Data-Driven and Mechanistic Models for Predicting Phenology in
Deciduous Broadleaf Forests [47.285748922842444]
我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。
このアプローチは従来のプロセスベースのモデルよりも優れています。
論文 参考訳（メタデータ） (2024-01-08T15:29:23Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳（メタデータ） (2021-09-06T14:52:58Z) - Deep learning for improved global precipitation in numerical weather
prediction systems [1.721029532201972]
我々は、残差学習を用いた深層畳み込みニューラルネットワークのUNETアーキテクチャを、グローバルな降水モデルを学ぶための概念実証として使用しています。
その結果,インド気象局が使用した操作力学モデルと比較した。
この研究は、残差学習に基づくUNETが、目標降水量と物理的関係を解き放つことができることを示す概念実証である。
論文 参考訳（メタデータ） (2021-06-20T05:10:42Z) - Sparse Bayesian Causal Forests for Heterogeneous Treatment Effects
Estimation [0.0]
本稿では,ベイジアン因果樹林のスパース性誘導型を考案する。
観察データを用いて不均一な治療効果を推定する。
論文 参考訳（メタデータ） (2021-02-12T15:24:50Z) - Causal Discovery in Physical Systems from Videos [123.79211190669821]
因果発見は人間の認知の中心にある。
本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
論文 参考訳（メタデータ） (2020-07-01T17:29:57Z) - Constraining subglacial processes from surface velocity observations
using surrogate-based Bayesian inference [0.0]
基底運動は、南極の外での氷の流束の主要なメカニズムであるが、それを予測するための広く適用可能なモデルである。
これは、小規模のベッド特性の観察と、基底運動が依存する時間変化水圧の予測の両方が困難であるためである。
我々は、グリーンランド南西部の表面速度の観測に基づく氷力学と氷下水理の結合モデルと条件付けにより、これらの問題にベイズ的アプローチを採っている。
論文 参考訳（メタデータ） (2020-06-22T16:47:33Z)
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。