論文の概要: Analyzing Uniaxial Compressive Strength of Concrete Using a Novel Satin Bowerbird Optimizer

• arxiv url: http://arxiv.org/abs/2103.15547v1
• Date: Thu, 4 Mar 2021 19:07:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-09 02:11:54.584605
• Title: Analyzing Uniaxial Compressive Strength of Concrete Using a Novel Satin Bowerbird Optimizer
• Title（参考訳）: 新規サチンボワーバード最適化装置によるコンクリートの一軸圧縮強度の解析
• Authors: Hossein Moayedi, Amir Mosavi
• Abstract要約: 本研究は,人工ニューラルネットワーク(ANN)と新しいメタヒューリスティック手法,すなわちサテンボワーバード(SBO)を統合する。 作成されたハイブリッドは、公開された文献から収集された比較的大きなデータセットを使用して、トレーニングされ、テストされる。
• 参考スコア（独自算出の注目度）: 1.0965065178451106
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Surmounting the complexities in analyzing the mechanical parameters of concrete entails selecting an appropriate methodology. This study integrates an artificial neural network (ANN) with a novel metaheuristic technique, namely satin bowerbird optimizer (SBO) for predicting uniaxial compressive strength (UCS) of concrete. For this purpose, the created hybrid is trained and tested using a relatively large dataset collected from the published literature. Three other new algorithms, namely Henry gas solubility optimization (HGSO), sunflower optimization (SFO), and vortex search algorithm (VSA) are also used as benchmarks. After attaining a proper population size for all algorithms, Utilizing various accuracy indicators, it was shown that the proposed ANN-SBO not only can excellently analyze the UCS behavior, but also outperforms all three benchmark hybrids (i.e., ANN-HGSO, ANN-SFO, and ANN-VSA). In the prediction phase, the correlation indices of 0.87394, 0.87936, 0.95329, and 0.95663, as well as mean absolute percentage errors of 15.9719, 15.3845, 9.4970, and 8.0629%, calculated for the ANN-HGSO, ANN-SFO, ANN-VSA, and ANN-SBO, respectively, manifested the best prediction performance for the proposed model. Also, the ANN-VSA achieved reliable results as well. In short, the ANN-SBO can be used by engineers as an efficient non-destructive method for predicting the UCS of concrete.
• Abstract（参考訳）: コンクリートの力学パラメータを解析する複雑さを克服するには, 適切な方法を選択する必要がある。 本研究では, コンクリートの一軸圧縮強度(ucs)を予測するために, 人工ニューラルネットワーク (ann) と, satin bowerbird optimizer (sbo) という新しいメタヒューリスティックな手法を統合した。 この目的のために作成されたハイブリッドは、公開された文献から収集された比較的大きなデータセットを使用してトレーニングされ、テストされる。 その他の3つの新しいアルゴリズム、Henry Gas Solubility Optimization (HGSO)、Sunflower Optimization (SFO)、VSA (Vortex search algorithm) もベンチマークとして使用されている。 様々な精度指標を用いて,全アルゴリズムの適切な集団サイズを達成した後,提案手法はUCSの挙動を良好に解析するだけでなく,3つのベンチマークハイブリッド(ANN-HGSO,ANN-SFO,ANN-VSA)全てに優れていた。 予測フェーズでは, 0.87394, 0.87936, 0.95329, 0.95663の相関指標と, ANN-HGSO, ANN-SFO, ANN-VSA, ANN-SBOで算出された15.9719, 15.3845, 9.4970, 8.0629%の平均絶対誤差は, それぞれ最高の予測性能を示した。 また、ANN-VSAも信頼できる結果を得た。 要するにann-sboは、技術者がコンクリートのucsを予測するための効率的な非破壊的手法として使用できる。

関連論文リスト

• Efficient Estimation in NPIV Models: A Comparison of Various Neural Networks-Based Estimators [1.4000007799304268]
  半非パラメトリックインスツルメンタル変数(NPIV)モデルにおけるニューラルネットワーク(ANN)の計算性能について検討する。 我々は予測の効率的な推定に焦点をあて、未知の関数を近似するためにANNを使用する。 複雑な設計における有限サンプル性能を比較する大規模なモンテカルロ実験を行う。
  論文  参考訳（メタデータ） (2021-10-13T15:00:33Z)
• ZARTS: On Zero-order Optimization for Neural Architecture Search [94.41017048659664]
  微分可能なアーキテクチャサーチ (DARTS) は、NASの高効率性のため、一般的なワンショットパラダイムである。 この作業はゼロオーダーの最適化に変わり、上記の近似を強制せずに探索するための新しいNASスキームであるZARTSを提案する。 特に、12ベンチマークの結果は、DARTSの性能が低下するZARTSの顕著な堅牢性を検証する。
  論文  参考訳（メタデータ） (2021-10-10T09:35:15Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• How Powerful are Performance Predictors in Neural Architecture Search? [43.86743225322636]
  我々は31の手法を解析し,性能予測器の大規模研究を行った。 予測器の特定のファミリーが組み合わさることで、より優れた予測能力が得られることを示す。
  論文  参考訳（メタデータ） (2021-04-02T17:57:16Z)
• Genetically Optimized Prediction of Remaining Useful Life [4.115847582689283]
  LSTMおよびGRUモデルを実装し、得られた結果と提案された遺伝子訓練ニューラルネットワークを比較します。 遺伝的アルゴリズムを用いた他の最適化層を追加することによって,予測の整合性の向上を期待する。 これらのモデルと提案されたアーキテクチャは、nasaのターボファンジェットエンジンデータセットでテストされている。
  論文  参考訳（メタデータ） (2021-02-17T16:09:23Z)
• BayCANN: Streamlining Bayesian Calibration with Artificial Neural Network Metamodeling [77.34726150561087]
  本稿では,ベイズ校正の限界に対する一解法として,人工知能ニューラルネットワーク(ANN)を提案する。 大腸癌の自然史モデルを腺腫発生率と癌発生率データに校正することにより,BayCANNを実証した。 BayCANNは一般に「真の」値の回復においてIMISよりも正確であった。
  論文  参考訳（メタデータ） (2020-10-26T09:47:39Z)
• Accuracy Prediction with Non-neural Model for Neural Architecture Search [185.0651567642238]
  精度予測に非神経モデルを用いる別の手法について検討する。 我々は、ニューラルネットワーク探索(NAS)の予測因子として、勾配向上決定木(GBDT)を活用する。 NASBench-101とImageNetの実験は、NASの予測器としてGBDTを使用することの有効性を示した。
  論文  参考訳（メタデータ） (2020-07-09T13:28:49Z)
• Modeling and Uncertainty Analysis of Groundwater Level Using Six Evolutionary Optimization Algorithms Hybridized with ANFIS, SVM, and ANN [0.0]
  6つのメタヒューリスティックスキームは、人工知能ニューラルネットワーク(ANN)、適応型神経ファジィインタフェースシステム(ANFIS)、サポートベクターマシン(SVM)とハイブリッド化されている。 最適化アルゴリズムを用いたハイブリッドモデルの性能は、従来のANN、ANFIS、SVMモデルよりはるかに優れていた。
  論文  参考訳（メタデータ） (2020-06-28T11:06:53Z)
• DrNAS: Dirichlet Neural Architecture Search [88.56953713817545]
  ディリクレ分布をモデルとした連続緩和型混合重みをランダム変数として扱う。 最近開発されたパスワイズ微分により、ディリクレパラメータは勾配に基づく一般化で容易に最適化できる。 微分可能なNASの大きなメモリ消費を軽減するために, 単純かつ効果的な進行学習方式を提案する。
  論文  参考訳（メタデータ） (2020-06-18T08:23:02Z)
• FBNetV3: Joint Architecture-Recipe Search using Predictor Pretraining [65.39532971991778]
  サンプル選択とランキングの両方を導くことで、アーキテクチャとトレーニングのレシピを共同でスコアする精度予測器を提案する。 高速な進化的検索をCPU分で実行し、さまざまなリソース制約に対するアーキテクチャと準備のペアを生成します。 FBNetV3は最先端のコンパクトニューラルネットワークのファミリーを構成しており、自動と手動で設計された競合より優れている。
  論文  参考訳（メタデータ） (2020-06-03T05:20:21Z)

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。