論文の概要: Explainable Machine Learning using Real, Synthetic and Augmented Fire Tests to Predict Fire Resistance and Spalling of RC Columns

• arxiv url: http://arxiv.org/abs/2108.09862v1
• Date: Sun, 22 Aug 2021 22:44:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-24 15:37:20.725565
• Title: Explainable Machine Learning using Real, Synthetic and Augmented Fire Tests to Predict Fire Resistance and Spalling of RC Columns
• Title（参考訳）: 実, 合成, 拡張火力試験によるrc柱の耐火性およびスポーリング予測のための説明可能な機械学習
• Authors: M.Z. Naser, V.K. Kodur
• Abstract要約: 開発されたアプローチは、3つの新しいMLアルゴリズム、すなわちランダムフォレスト(RF)、極勾配強化木(ExGBT)、深層学習(DL)のアンサンブルから構成される。 このアンサンブルは、5000以上のRCコラムを60秒以内で分析することができ、研究者や実践者にとって魅力的な解決策となる。
• 参考スコア（独自算出の注目度）: 2.4366811507669124
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents the development of systematic machine learning (ML) approach to enable explainable and rapid assessment of fire resistance and fire-induced spalling of reinforced concrete (RC) columns. The developed approach comprises of an ensemble of three novel ML algorithms namely; random forest (RF), extreme gradient boosted trees (ExGBT), and deep learning (DL). These algorithms are trained to account for a wide collection of geometric characteristics and material properties, as well as loading conditions to examine fire performance of normal and high strength RC columns by analyzing a comprehensive database of fire tests comprising of over 494 observations. The developed ensemble is also capable of presenting quantifiable insights to ML predictions; thus, breaking free from the notion of 'blackbox' ML and establishing a solid step towards transparent and explainable ML. Most importantly, this work tackles the scarcity of available fire tests by proposing new techniques to leverage the use of real, synthetic and augmented fire test observations. The developed ML ensemble has been calibrated and validated for standard and design fire exposures and for one, two, three and four-sided fire exposures thus; covering a wide range of practical scenarios present during fire incidents. When fully deployed, the developed ensemble can analyze over 5,000 RC columns in under 60 seconds thus, providing an attractive solution for researchers and practitioners. The presented approach can also be easily extended for evaluating fire resistance and spalling of other structural members and under varying fire scenarios and loading conditions and hence paves the way to modernize the state of this research area and practice.
• Abstract（参考訳）: 本稿では, 鉄筋コンクリート(rc)柱の耐火性および耐火性評価のための系統的機械学習(ml)手法の開発について述べる。 開発されたアプローチは、3つの新しいMLアルゴリズム、すなわちランダム・フォレスト(RF)、極端な勾配向上木(ExGBT)、ディープラーニング(DL)のアンサンブルから構成される。 これらのアルゴリズムは、幾何特性と材料特性の広範囲な収集、および494以上の観測結果からなる総合的な火災試験データベースを解析することにより、正常および高強度RC柱の火災性能を調べるための負荷条件を考慮に入れた。 開発されたアンサンブルは、定量的な洞察をML予測に提示することも可能で、"ブラックボックス"MLの概念から脱却し、透明で説明可能なMLへの確かなステップを確立することができる。 最も重要なことは、この研究が利用可能な火災試験の不足に対処し、実物、合成、拡張された火災試験の観測を活用できる新しい技術を提案することである。 開発されたMLアンサンブルは、標準および設計の火災露光と、1、2、3、4面の火災露光のために校正され、検証されている。 完全にデプロイされた場合、開発されたアンサンブルは60秒未満で5,000以上のrc柱を解析できるため、研究者や実践者にとって魅力的なソリューションとなる。 提案手法は, 他の構造部材の耐火性評価やスポーリング, 各種の火災シナリオおよび載荷条件下での簡易な拡張も可能であり, この研究領域の近代化と実践の道筋をたどることができる。

関連論文リスト

• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• FlameFinder: Illuminating Obscured Fire through Smoke with Attentive Deep Metric Learning [11.218765140036254]
  FlameFinderは、山火事の監視中に消防士のドローンの熱画像を使って、煙によって隠されたとしても、炎を正確に検知するように設計されている。 従来のRGBカメラはそのような状況では苦戦するが、熱カメラは煙を吸収する炎の特徴を捉えることができる。 この問題を解決するために、FlameFinderは2枚の熱-RGB画像を用いてトレーニングを行っている。煙のないサンプルから潜熱火炎の特徴を学習することで、モデルは相対的な熱勾配に偏りが小さくなる。
  論文  参考訳（メタデータ） (2024-04-09T23:24:19Z)
• InFoBench: Evaluating Instruction Following Ability in Large Language Models [57.27152890085759]
  Decomposed Requirements following Ratio (DRFR) は、命令に従うLarge Language Models (LLM) 能力を評価するための新しい指標である。 InFoBenchは500の多様な命令と2250の分解された質問を複数の制約カテゴリに分けたベンチマークである。
  論文  参考訳（メタデータ） (2024-01-07T23:01:56Z)
• SplitNeRF: Split Sum Approximation Neural Field for Joint Geometry, Illumination, and Material Estimation [65.99344783327054]
  本稿では, 実世界の物体の形状, 材料特性, 照明特性を推定してデジタル化する手法を提案する。 提案手法は,実時間物理ベースのレンダリングに画像ベースの照明で使用される分割和近似を,レーダランスニューラルネットワーク(NeRF)パイプラインに組み込む。 提案手法は,NVIDIA A100 GPUを1つのGPUで1時間に1ドル程度のトレーニングをした後で,最先端のリライト品質を実現することができる。
  論文  参考訳（メタデータ） (2023-11-28T10:36:36Z)
• Prescribed Fire Modeling using Knowledge-Guided Machine Learning for Land Management [2.158876211806538]
  本稿では,所定の火災を迅速にエミュレーションできる機械学習(ML)フレームワークを提案する。 ドメイン知識を取り入れることで,データ共有シナリオにおける燃料密度推定の物理的不整合を低減することができる。 また,階層構造を組み込んだ火災拡散指標の偏り推定の問題も克服した。
  論文  参考訳（メタデータ） (2023-10-02T19:38:04Z)
• Faithful Explanations of Black-box NLP Models Using LLM-generated Counterfactuals [67.64770842323966]
  NLPシステムの予測に関する因果的説明は、安全性を確保し、信頼を確立するために不可欠である。 既存の手法は、しばしばモデル予測を効果的または効率的に説明できない。 本稿では, 対物近似(CF)の2つの手法を提案する。
  論文  参考訳（メタデータ） (2023-10-01T07:31:04Z)
• Image-Based Fire Detection in Industrial Environments with YOLOv4 [53.180678723280145]
  この研究は、AIが火災を検出し、認識し、画像ストリーム上のオブジェクト検出を使用して検出時間を短縮する可能性を検討する。 そこで我々は, YOLOv4オブジェクト検出器をベースとした複数のモデルのトレーニングと評価に使用されてきた複数の公開情報源から, 適切なデータを収集, ラベル付けした。
  論文  参考訳（メタデータ） (2022-12-09T11:32:36Z)
• Unsupervised Wildfire Change Detection based on Contrastive Learning [1.53934570513443]
  山火事の深刻度を正確に評価することは, 火災発生地域における燃料条件のキャラクタリゼーションに寄与する。 本研究の目的は、高解像度マルチスペクトル衛星画像上に構築された自律システムを開発することである。
  論文  参考訳（メタデータ） (2022-11-26T20:13:14Z)
• An Emulation Framework for Fire Front Spread [0.9940728137241214]
  ブッシュファイアの拡散に関する実証観測は、特定の条件下での火災応答を推定するために用いられる。 私たちは機械学習を使って、茂み火のエミュレーションアプローチを推進しています。 また,エミュレーションにより,シミュレーションしたファイアフロントデータを密に再現できることを示す。
  論文  参考訳（メタデータ） (2022-03-23T03:07:10Z)
• Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using Meta-Learning [64.92447072894055]
  赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。 既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。 KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
  論文  参考訳（メタデータ） (2021-10-07T02:28:18Z)
• Flame Stability Analysis of Flame Spray Pyrolysis by Artificial Intelligence [0.18352113484137628]
  火炎噴霧熱分解(英: Flame Spray pyrolysis、FSP)は、原子化前駆体溶液の燃焼を通じてナノ粒子を合成するプロセスである。 現行の限界は、安定な火炎とナノ粒子の信頼できる製造方法の理解を中心に展開されている。 本研究では, 火炎点の明るさを解析することにより, FSP火炎安定性を定量化する。 この分析は、教師なしと教師なしの両方の機械学習アプローチのデータをラベル付けするために使用される。
  論文  参考訳（メタデータ） (2020-10-22T22:52:13Z)

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。