論文の概要: Machine Learning Algorithms for Prediction of Penetration Depth and
Geometrical Analysis of Weld in Friction Stir Spot Welding Process
- arxiv url: http://arxiv.org/abs/2201.09725v1
- Date: Fri, 21 Jan 2022 17:16:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-25 15:24:33.570732
- Title: Machine Learning Algorithms for Prediction of Penetration Depth and
Geometrical Analysis of Weld in Friction Stir Spot Welding Process
- Title（参考訳）: 摩擦スタースポット溶接における溶接部の浸透深さ予測と幾何学的解析のための機械学習アルゴリズム
- Authors: Akshansh Mishra, Raheem Al-Sabur, Ahmad K. Jassim
- Abstract要約: この研究は、Supervised Machine Learningアルゴリズムを用いた浸透深度予測に基づいている。
AA1230アルミニウム合金の2要素を接合するためにFSSWを用いた。
ロバスト回帰機械学習アルゴリズムは0.96の判定係数によって残りのアルゴリズムよりも優れていた。
- 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: Nowadays, manufacturing sectors harness the power of machine learning and
data science algorithms to make predictions for the optimization of mechanical
and microstructure properties of fabricated mechanical components. The
application of these algorithms reduces the experimental cost beside leads to
reduce the time of experiments. The present research work is based on the
prediction of penetration depth using Supervised Machine Learning algorithms
such as Support Vector Machines (SVM), Random Forest Algorithm, and Robust
Regression algorithm. A Friction Stir Spot Welding (FSSW) was used to join two
elements of AA1230 aluminum alloys. The dataset consists of three input
parameters: Rotational Speed (rpm), Dwelling Time (seconds), and Axial Load
(KN), on which the machine learning models were trained and tested. It observed
that the Robust Regression machine learning algorithm outperformed the rest of
the algorithms by resulting in the coefficient of determination of 0.96. The
research work also highlights the application of image processing techniques to
find the geometrical features of the weld formation.
- Abstract（参考訳）: 今日、製造業は機械学習とデータサイエンスのアルゴリズムの力を利用して、製造機械部品の機械的および微細構造特性の最適化の予測を行っている。
これらのアルゴリズムの適用により、実験時間の短縮につながる実験コストが削減される。
本研究は,SVM(Support Vector Machines)やランダムフォレストアルゴリズム(Random Forest Algorithm),ロバスト回帰アルゴリズム(Robust Regression Algorithm)などのスーパービジョン機械学習アルゴリズムを用いた浸透深度予測に基づく。
aa1230アルミニウム合金の2つの要素を接合するために摩擦スタースポット溶接(fssw)が使用された。
データセットは、回転速度(rpm)、居住時間(秒)、軸負荷(KN)の3つの入力パラメータで構成され、機械学習モデルがトレーニングされ、テストされた。
この結果、ロバスト回帰機械学習アルゴリズムは0.96の判定係数によって残りのアルゴリズムよりも優れていた。
この研究は、溶接部の幾何学的特徴を見つけるための画像処理技術の応用についても強調している。
関連論文リスト
- Biomimetic Machine Learning approach for prediction of mechanical properties of Additive Friction Stir Deposited Aluminum alloys based walled structures [0.0]
本研究は, バイオミメティック・機械学習を用いてAFSD(Additive Friction Stir deposited)アルミニウム合金壁構造の機械的特性を予測する新しい手法を提案する。
この研究は、AFSDプロセスの数値モデリングと遺伝的アルゴリズム最適化機械学習モデルを組み合わせて、von Misesストレスと対数ひずみを予測する。
論文 参考訳（メタデータ） (2024-08-05T13:27:54Z) - Using Machine Learning To Identify Software Weaknesses From Software
Requirement Specifications [49.1574468325115]
本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。
ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
論文 参考訳（メタデータ） (2023-08-10T13:19:10Z) - Deep Unrolling for Nonconvex Robust Principal Component Analysis [75.32013242448151]
我々はロバスト成分分析のためのアルゴリズムを設計する(A)
行列を低主行列とスパース主行列の和に分解する。
論文 参考訳（メタデータ） (2023-07-12T03:48:26Z) - A Survey From Distributed Machine Learning to Distributed Deep Learning [0.356008609689971]
データとアルゴリズムを複数のマシンに分散する分散機械学習が提案されている。
これらのアルゴリズムを分類とクラスタリング(従来の機械学習)、深層学習、深層強化学習グループに分割する。
上記のアルゴリズムの調査に基づいて、今後の研究で対処すべき限界を強調した。
論文 参考訳（メタデータ） (2023-07-11T13:06:42Z) - Self-learning locally-optimal hypertuning using maximum entropy, and
comparison of machine learning approaches for estimating fatigue life in
composite materials [0.0]
疲労損傷を予測するための最大エントロピーの原理に基づくML近傍近似アルゴリズムを開発した。
予測は、他のMLアルゴリズムと同様、高いレベルの精度を達成する。
論文 参考訳（メタデータ） (2022-10-19T12:20:07Z) - MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data
Challenge [110.7678032481059]
第1回機械学習重力波探索モックデータチャレンジ(MLGWSC-1)の結果を示す。
この課題のために、参加するグループは、より現実的な雑音に埋め込まれた複雑さと持続期間が増大する二元ブラックホールの融合から重力波信号を特定する必要があった。
この結果から,現在の機械学習検索アルゴリズムは,限られたパラメータ領域においてすでに十分敏感である可能性が示唆された。
論文 参考訳（メタデータ） (2022-09-22T16:44:59Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Benchmarking Processor Performance by Multi-Threaded Machine Learning
Algorithms [0.0]
本稿では,マルチスレッド機械学習クラスタリングアルゴリズムの性能比較を行う。
私は、アルゴリズムのパフォーマンス特性を決定するために、線形回帰、ランダムフォレスト、K-Nearest Neighborsに取り組んでいます。
論文 参考訳（メタデータ） (2021-09-11T13:26:58Z) - Evolving Reinforcement Learning Algorithms [186.62294652057062]
メタラーニング強化学習アルゴリズムの手法を提案する。
学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。
従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
論文 参考訳（メタデータ） (2021-01-08T18:55:07Z) - AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。
汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。
機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
論文 参考訳（メタデータ） (2020-03-06T19:00:04Z)
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。