論文の概要: Improved Sensitivity of Base Layer on the Performance of Rigid Pavement
- arxiv url: http://arxiv.org/abs/2101.09167v1
- Date: Wed, 20 Jan 2021 23:43:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 01:35:13.091604
- Title: Improved Sensitivity of Base Layer on the Performance of Rigid Pavement
- Title（参考訳）: リジッド舗装の性能に及ぼすベース層の感度改善
- Authors: Sajib Saha, Fan Gu, Xue Luo, and Robert L. Lytton
- Abstract要約: 剛性舗装の性能はベース/サブベースおよびサブグレード層の特性に大きく影響される。
aashtoware pavement me設計により予測された性能はベース層とサブグレード層の特性に対する感度が低い。
本研究では, 感度の向上と非有界層の影響を反映し, 改良されたモデル群を取り入れた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The performance of rigid pavement is greatly affected by the properties of
base/subbase as well as subgrade layer. However, the performance predicted by
the AASHTOWare Pavement ME design shows low sensitivity to the properties of
base and subgrade layers. To improve the sensitivity and better reflect the
influence of unbound layers a new set of improved models i.e., resilient
modulus (MR) and modulus of subgrade reaction (k-value) are adopted in this
study. An Artificial Neural Network (ANN) model is developed to predict the
modified k-value based on finite element (FE) analysis. The training and
validation datasets in the ANN model consist of 27000 simulation cases with
different combinations of pavement layer thickness, layer modulus and slab-base
interface bond ratio. To examine the sensitivity of modified MR and k-values on
pavement response, eight pavement sections data are collected from the
Long-Term Pavement performance (LTPP) database and modeled by using the FE
software ISLAB2000. The computational results indicate that the modified MR
values have higher sensitivity to water content in base layer on critical
stress and deflection response of rigid pavements compared to the results using
the Pavement ME design model. It is also observed that the k-values using ANN
model has the capability of predicting critical pavement response at any
partially bonded conditions whereas the Pavement ME design model can only
calculate at two extreme bonding conditions (i.e., fully bonding and no
bonding).
- Abstract（参考訳）: 硬質舗装の性能は, ベース/サブベース, サブグレード層の性質に大きく影響される。
しかし,AASHTOWare Pavement ME設計により予測された性能は,ベース層とサブグレード層の特性に対する感度が低かった。
感度の向上と非結合層の影響をよりよく反映するために,新しい改良されたモデルセット,すなわち弾性率(mr)と準次反応係数(k値)が本研究で採用されている。
有限要素(fe)解析に基づいて修正k値を予測するための人工ニューラルネットワーク(ann)モデルを開発した。
annモデルのトレーニングと検証データセットは,舗装層厚,層弾性率,スラブベース界面接着比の異なる27000のシミュレーションケースからなる。
舗装応答に対するMRおよびk値の変化の感度を調べるため,長期舗装性能(LTPP)データベースから8つの舗装区間データを収集し,FEソフトウェアISLAB2000を用いてモデル化した。
その結果, 舗装me設計モデルを用いた結果と比較して, 固定舗装の臨界応力および偏向応答に対する基層の水分に対する感度が改良されたmr値よりも高いことがわかった。
また、ANNモデルを用いたk-値には、部分結合条件で臨界舗装応答を予測する能力があるのに対し、Pavement ME設計モデルは2つの極端な結合条件(すなわち、完全結合と非結合)でしか計算できない。
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) - Achieving Byzantine-Resilient Federated Learning via Layer-Adaptive Sparsified Model Aggregation [7.200910949076064]
フェデレートラーニング(FL)は、複数のクライアントがローカルデータを共有せずに、協調的にモデルをトレーニングすることを可能にする。
しかし、FLシステムは、悪質なモデルの更新をアップロードすることでモデルのトレーニングプロセスを妨害することを目的とした、よく設計されたByzantine攻撃に対して脆弱である。
本稿では,階層的適応アグリゲーションと事前アグリゲーション・スパリフィケーションを組み合わせたLayer-Adaptive Sparsified Model Aggregation(LASA)手法を提案する。
論文 参考訳（メタデータ） (2024-09-02T19:28:35Z) - KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。
我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。
我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
論文 参考訳（メタデータ） (2024-07-18T05:48:24Z) - On the Impact of Sampling on Deep Sequential State Estimation [17.92198582435315]
逐次モデルにおける状態推定とパラメータ学習は近似手法を用いてうまく行うことができる。
モンテカルロの厳密な目的は、生成的モデリング性能を向上させるために文献で提案されている。
論文 参考訳（メタデータ） (2023-11-28T17:59:49Z) - Layer-wise Feedback Propagation [53.00944147633484]
本稿では、ニューラルネットワークのような予測器のための新しいトレーニング手法であるLFP(Layer-wise Feedback Propagation)を提案する。
LFPは、与えられたタスクの解決に対するそれぞれの貢献に基づいて、個々のコネクションに報酬を割り当てる。
各種モデルやデータセットの勾配降下に匹敵する性能を達成できることの有効性を実証する。
論文 参考訳（メタデータ） (2023-08-23T10:48:28Z) - Effect of Batch Normalization on Noise Resistant Property of Deep
Learning Models [3.520496620951778]
モデルの重みに変化をもたらすアナログノイズの存在が、ディープラーニングモデルの性能劣化を引き起こすという懸念がある。
本研究では,一般的なバッチ正規化層がディープラーニングモデルの耐雑音性に及ぼす影響について検討した。
論文 参考訳（メタデータ） (2022-05-15T20:10:21Z) - SmoothNets: Optimizing CNN architecture design for differentially
private deep learning [69.10072367807095]
DPSGDは、サンプルごとの勾配の切り抜きとノイズ付けを必要とする。
これにより、非プライベートトレーニングと比較してモデルユーティリティが削減される。
SmoothNetと呼ばれる新しいモデルアーキテクチャを蒸留し,DP-SGDトレーニングの課題に対するロバスト性の向上を特徴とした。
論文 参考訳（メタデータ） (2022-05-09T07:51:54Z) - Exploring Heterogeneous Characteristics of Layers in ASR Models for More
Efficient Training [1.3999481573773072]
ランとモデルサイズにまたがるこれらの層の安定性について検討する。
群正規化は, 群形成を乱すことなく適用できる可能性が示唆された。
これらの知見をフェデレートラーニングに適用して,トレーニング手順の改善を図る。
論文 参考訳（メタデータ） (2021-10-08T17:25:19Z) - Efficient Micro-Structured Weight Unification and Pruning for Neural
Network Compression [56.83861738731913]
ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。
既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。
ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
論文 参考訳（メタデータ） (2021-06-15T17:22:59Z) - Learning representations with end-to-end models for improved remaining
useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。
マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。
提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文 参考訳（メタデータ） (2021-04-11T16:45:18Z) - Understanding and Diagnosing Vulnerability under Adversarial Attacks [62.661498155101654]
ディープニューラルネットワーク(DNN)は敵の攻撃に弱いことが知られている。
本稿では,潜在変数の分類に使用される特徴を説明するために,新しい解釈可能性手法であるInterpretGANを提案する。
また、各層がもたらす脆弱性を定量化する最初の診断方法も設計する。
論文 参考訳（メタデータ） (2020-07-17T01:56:28Z)
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。