論文の概要: A Deep Learning Approach to Predict Hamburg Rutting Curve
- arxiv url: http://arxiv.org/abs/2011.09853v1
- Date: Thu, 12 Nov 2020 22:10:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 08:06:49.199474
- Title: A Deep Learning Approach to Predict Hamburg Rutting Curve
- Title（参考訳）: ハンブルクラッティング曲線予測のための深層学習法
- Authors: Hamed Majidifard, Behnam Jahangiri, Punyaslok Rath, Amir H. Alavi,
William G. Buttlar
- Abstract要約: 本研究では, 深層学習技術である畳み込みニューラルネットワーク(CNN)を用いてアスファルト混合物の破れ深さを予測する新しいモデルを提案する。
総合的なHWTT結果の収集を含むデータベースを用いて,CNNに基づく機械学習予測モデルを開発した。
このモデルは、実験室での試験が不可能な場合のアスファルト混合物のラト深さを推定するためのツールや、コスト削減のための事前設計試験として使用できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rutting continues to be one of the principal distresses in asphalt pavements
worldwide. This type of distress is caused by permanent deformation and shear
failure of the asphalt mix under the repetition of heavy loads. The Hamburg
wheel tracking test (HWTT) is a widely used testing procedure designed to
accelerate, and to simulate the rutting phenomena in the laboratory. Rut depth,
as one of the outputs of the HWTT, is dependent on a number of parameters
related to mix design and testing conditions. This study introduces a new model
for predicting the rutting depth of asphalt mixtures using a deep learning
technique - the convolution neural network (CNN). A database containing a
comprehensive collection of HWTT results was used to develop a CNN-based
machine learning prediction model. The database includes 10,000 rutting depth
data points measured across a large variety of asphalt mixtures. The model has
been formulated in terms of known influencing mixture variables such as asphalt
binder high temperature performance grade, mixture type, aggregate size,
aggregate gradation, asphalt content, total asphalt binder recycling content,
and testing parameters, including testing temperature and number of wheel
passes. A rigorous validation process was used to assess the accuracy of the
model to predict total rut depth and the HWTT rutting curve. A sensitivity
analysis is presented, which evaluates the effect of the investigated variables
on rutting depth predictions by the CNN model. The model can be used as a tool
to estimate the rut depth in asphalt mixtures when laboratory testing is not
feasible, or for cost saving, pre-design trials.
- Abstract（参考訳）: ラッティングは世界中のアスファルト舗装の主要な苦難の1つであり続けている。
このタイプの苦痛は、重荷の繰り返しによるアスファルト混合物の永久的な変形とせん断破壊によって引き起こされる。
ハンブルクの車輪追跡試験(HWTT)は、実験室のラッティング現象を加速し、シミュレーションするために広く用いられている試験方法である。
HWTTの出力の1つであるラト深さは、設計と試験条件の混合に関連する多くのパラメータに依存する。
本研究では,深層学習手法である畳み込みニューラルネットワーク(cnn)を用いてアスファルト混合物のラッティング深さを予測する新しいモデルを提案する。
総合的なHWTT結果の収集を含むデータベースを用いて,CNNに基づく機械学習予測モデルを開発した。
データベースには、さまざまなアスファルト混合物で測定された1万のラッティング深度データポイントが含まれている。
このモデルは, アスファルトバインダーの高温性能評価, 混合型, 骨材径, 骨材粒度, アスファルト含有量, 総アスファルトバインダーリサイクル量, 試験温度, ホイールパス数などの試験パラメータなど, 既知の混合変数を用いて定式化されている。
厳密な検証法を用いて, モデルの精度を評価し, 総ラト深さとHWTTラッティング曲線を推定した。
また,cnnモデルによるラッピング深さ予測に対する変数の影響を評価する感度解析を行った。
このモデルは、アスファルト混合物のラト深さを実験室試験が実現できない場合や、コスト削減のための事前設計試験で推定するためのツールとして使用できる。
関連論文リスト
- Explainable Artificial Intelligent (XAI) for Predicting Asphalt Concrete Stiffness and Rutting Resistance: Integrating Bailey's Aggregate Gradation Method [0.0]
本研究では, アスファルトコンクリートの挙動を解析するために, 説明可能な人工知能(XAI)技術を用いた。
モデルの性能はk-foldクロスバリデーションを用いて検証され、他の機械学習手法と比較して精度が向上した。
その結果, 粗骨材は耐ラッティング性, 中粒骨材は剛性に影響を与えることが明らかとなった。
論文 参考訳（メタデータ） (2024-10-16T02:39:55Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - A Bayesian Programming Approach to Car-following Model Calibration and
Validation using Limited Data [0.0]
ワークゾーン(WZ)は、これまでのモデルが現実的な運転行動を再現していないシナリオのひとつです。
これにより、WZを設計する際の安全性やその他のメトリクスの最適化が困難になる。
データ分析とパラメータ推定にベイジアン法を使用し、可能であればこれらの問題に対処します。
論文 参考訳（メタデータ） (2023-07-19T20:01:38Z) - A data-driven rutting depth short-time prediction model with
metaheuristic optimization for asphalt pavements based on RIOHTrack [34.35456339697351]
本研究では, 異なるアスファルト舗装のラッティング深さ, 温度, 荷重軸を主特性とする頑健な人工知能モデルの開発を試みた。
実験データは,北京の東州市で全長2.038kmのフルスケール加速舗装試験線上に,異なる原油源を有するアスファルト舗装19面から得られた。
論文 参考訳（メタデータ） (2023-05-11T10:33:36Z) - Design of experiments for the calibration of history-dependent models
via deep reinforcement learning and an enhanced Kalman filter [0.0]
本稿では,Kalmanフィルタ(KF)を用いて得られたKulback-Leibler分散による情報ゲインを最大化する実験設計のための深層強化学習アルゴリズムを提案する。
決定木とマルコフ決定プロセス (MDP) として実験の可能な構成を定式化し、各段階ごとに有限な行動選択が可能である。
前方予測のための仮説をテストするために追加サンプリングを必要とするナッシュ・サトクリフ効率(NSE)指数とは対照的に、KFは追加アクションによって得られた新しいデータの値を直接推定することで、実験のコストを下げることができる。
論文 参考訳（メタデータ） (2022-09-27T02:56:08Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Efficient Test-Time Model Adaptation without Forgetting [60.36499845014649]
テストタイム適応は、トレーニングとテストデータの間の潜在的な分散シフトに取り組むことを目指している。
信頼性および非冗長なサンプルを同定するためのアクティブなサンプル選択基準を提案する。
また、重要なモデルパラメータを劇的な変化から制約するFisher regularizerを導入します。
論文 参考訳（メタデータ） (2022-04-06T06:39:40Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Capabilities of Deep Learning Models on Learning Physical Relationships:
Case of Rainfall-Runoff Modeling with LSTM [0.0]
本研究では,深層学習手法が入力データと出力データとを識別できる関係について検討する。
日中降水量と平均空気温度をモデル入力として, 日中流量を推定した。
本研究では,入力変数と対象変数との明示的な物理的関係を,深層学習では適切に学習できないことを示す。
論文 参考訳（メタデータ） (2021-06-15T08:36:16Z) - Hybrid Physics and Deep Learning Model for Interpretable Vehicle State
Prediction [75.1213178617367]
深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。
ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。
その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
論文 参考訳（メタデータ） (2021-03-11T15:21:08Z) - HYDRA: Hypergradient Data Relevance Analysis for Interpreting Deep
Neural Networks [51.143054943431665]
本稿では、深層ニューラルネットワーク(DNN)による予測をトレーニングデータの効果として解釈する高次データ関連分析(HYDRA)を提案する。
HYDRAは、トレーニング軌跡全体を通して、テストデータポイントに対するトレーニングデータの貢献を評価する。
さらに,HyDRAは,データのコントリビューションを正確に推定し,ノイズのあるデータラベルを検出することで,影響関数よりも優れていることを定量的に示す。
論文 参考訳（メタデータ） (2021-02-04T10:00:13Z)
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。