論文の概要: Machine Learning-based Prediction of Porosity for Concrete Containing Supplementary Cementitious Materials

• arxiv url: http://arxiv.org/abs/2112.07353v1
• Date: Mon, 13 Dec 2021 08:08:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-16 08:19:59.290727
• Title: Machine Learning-based Prediction of Porosity for Concrete Containing Supplementary Cementitious Materials
• Title（参考訳）: 副セメント材料を含むコンクリートのポロシティの機械学習による予測
• Authors: Chong Cao
• Abstract要約: 補充セメント材料を含む高性能コンクリートの気孔性予測にアンサンブル学習を適用した。 本発明のコンクリート試料は、w/b比、バインダー含有量、フライアッシュ、GGBS、スーパー可塑性剤、粗大/微細集合比、硬化条件、硬化日を含む8つの組成特徴を有することを特徴とする。
• 参考スコア（独自算出の注目度）: 2.0254912065749955
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Porosity has been identified as the key indicator of the durability properties of concrete exposed to aggressive environments. This paper applies ensemble learning to predict porosity of high-performance concrete containing supplementary cementitious materials. The concrete samples utilized in this study are characterized by eight composition features including w/b ratio, binder content, fly ash, GGBS, superplasticizer, coarse/fine aggregate ratio, curing condition and curing days. The assembled database consists of 240 data records, featuring 74 unique concrete mixture designs. The proposed machine learning algorithms are trained on 180 observations (75%) chosen randomly from the data set and then tested on the remaining 60 observations (25%). The numerical experiments suggest that the regression tree ensembles can accurately predict the porosity of concrete from its mixture compositions. Gradient boosting trees generally outperforms random forests in terms of prediction accuracy. For random forests, the out-of-bag error based hyperparameter tuning strategy is found to be much more efficient than k-Fold Cross-Validation.
• Abstract（参考訳）: ポーロシティは, アグレッシブ環境に曝露したコンクリートの耐久性の指標となっている。 補充セメント材料を含む高性能コンクリートの気孔性予測にアンサンブル学習を適用した。 本研究で使用したコンクリート試料は, w/b比, バインダー含量, フライアッシュ, ggbs, 超可塑性剤, 粗粒度, 硬化条件, 硬化日という8つの組成特徴を有する。 データベースは240のデータ記録で構成され、74種類のコンクリートの混合設計が特徴である。 提案する機械学習アルゴリズムは、データセットからランダムに選択した180の観測(75%)に基づいてトレーニングされ、残りの60の観測(25%)でテストされる。 数値実験により,レグレッションツリーアンサンブルは混合組成からコンクリートの気孔率を正確に予測できることが示唆された。 緩やかな隆起木は予測精度で概して無作為な森林を上回っている。 ランダム森林の場合、バグエラーに基づくハイパーパラメータチューニング戦略はk-Foldクロスバリデーションよりもはるかに効率的である。

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)
• Groningen: Spatial Prediction of Rock Gas Saturation by Leveraging Selected and Augmented Well and Seismic Data with Classifier Ensembles [0.0]
  本稿では,巨大グローニンゲンガス田の例における分類器アンサンブル法を用いて,岩盤飽和確率の空間的予測に関する概念を実証する。 提案手法の有効性を示し, トレーニングサンプルを9倍に増やした。 フィールド内および隣接領域におけるガス貯留層の厚さの予測を行う。
  論文  参考訳（メタデータ） (2024-10-14T10:53:05Z)
• Predicting Confinement Effect of Carbon Fiber Reinforced Polymers on Strength of Concrete using Metaheuristics-based Artificial Neural Networks [0.0]
  本稿では, メタヒューリスティックスに基づく人工ニューラルネットワークを用いた炭素繊維強化ポリマー(CFRP)のコンクリートシリンダー強度に対する閉じ込め効果の予測について述べる。 シリンダーの直径(d)と高さ(h)、コンクリートの未固着圧縮強度、封止コンクリートfccの究極圧縮強度を含む8つのパラメータについて、708CFRP密閉コンクリートシリンダーの詳細なデータベースを構築した。 PSOのハイブリッドモデルは, 最大精度99.13%のCFRP充填コンクリートシリンダの強度を予測し, GWOはその結果を予測した。
  論文  参考訳（メタデータ） (2023-12-22T17:27:50Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• Probabilistic selection and design of concrete using machine learning [0.0]
  機械学習を用いて信頼性の高いプロパティ予測を行うことで、コンクリートのパフォーマンスベースの仕様作成が容易になる。 本研究では, 炭素化に対する耐性が高いコンクリートの混合物と, 環境影響の低いコンクリートの混合物を同定する手法を適用した。 我々の一般的な手法は、構造工学に幅広い応用がある機械学習におけるノイズの活用を可能にする。
  論文  参考訳（メタデータ） (2023-04-21T19:20:40Z)
• Evaluating Probabilistic Classifiers: The Triptych [62.997667081978825]
  本稿では,予測性能の異なる相補的な側面に焦点をあてた診断グラフィックのトリチチを提案し,研究する。 信頼性図は校正に対処し、受信動作特性(ROC)曲線は識別能力を診断し、マーフィー図は全体的な予測性能と価値を視覚化する。
  論文  参考訳（メタデータ） (2023-01-25T19:35:23Z)
• Treeging [0.0]
  木組みは回帰木の柔軟な平均構造と、アンサンブル予測アルゴリズムのベース学習者へのクリグの共分散に基づく予測戦略を組み合わせる。 本研究では,空間及び時空シミュレーションシナリオの網羅的かつ広範囲な電池を横断するツリーングの予測精度について検討した。
  論文  参考訳（メタデータ） (2021-10-03T17:48:18Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Consistent Estimation of Identifiable Nonparametric Mixture Models from Grouped Observations [84.81435917024983]
  この研究は、グループ化された観測から任意の同定可能な混合モデルを一貫して推定するアルゴリズムを提案する。 ペア化された観測のために実践的な実装が提供され、アプローチは既存の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-12T20:44:22Z)
• TraDE: Transformers for Density Estimation [101.20137732920718]
  TraDEは自己回帰密度推定のための自己アテンションに基づくアーキテクチャである。 本稿では, 生成したサンプルを用いた回帰, 分布外検出, トレーニングデータにおける雑音に対する頑健性などのタスクについて述べる。
  論文  参考訳（メタデータ） (2020-04-06T07:32:51Z)
• Fine-Tuning Pretrained Language Models: Weight Initializations, Data Orders, and Early Stopping [62.78338049381917]
  教師付き下流タスクのための微調整済み文脈単語埋め込みモデルは、自然言語処理において一般的なものとなっている。 GLUEベンチマークから得られた4つのデータセットを実験し、無作為な種だけを変えながら、それぞれに数百回微調整されたBERTを実験した。 これまでに報告した結果と比較すると,性能が大幅に向上し,微調整試行回数の関数としてベストファウンドモデルの性能がどう変化するかが定量化される。
  論文  参考訳（メタデータ） (2020-02-15T02:40:10Z)

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。