論文の概要: Performance Evaluation of Machine Learning-based Algorithm and Taguchi Algorithm for the Determination of the Hardness Value of the Friction Stir Welded AA 6262 Joints at a Nugget Zone

• arxiv url: http://arxiv.org/abs/2203.11649v1
• Date: Tue, 22 Mar 2022 12:06:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-23 20:59:27.228379
• Title: Performance Evaluation of Machine Learning-based Algorithm and Taguchi Algorithm for the Determination of the Hardness Value of the Friction Stir Welded AA 6262 Joints at a Nugget Zone
• Title（参考訳）: ナゲット域における摩擦圧接aa626262継手の硬さ判定のための機械学習アルゴリズムと田口アルゴリズムの性能評価
• Authors: Akshansh Mishra, Eyob Messele Sefene, Gopikrishna Nidigonda, Assefa Asmare Tsegaw
• Abstract要約: 本研究は, ハイブリッド最適化アルゴリズムを用いて, ゾーンにおける摩擦圧接溶接と最適硬度値を求める。 同様のAA 6262の材料がバットジョイント構成で使用、溶接された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Nowadays, industry 4.0 plays a tremendous role in the manufacturing industries for increasing the amount of data and accuracy in modern manufacturing systems. Thanks to artificial intelligence, particularly machine learning, big data analytics have dramatically amended, and manufacturers easily exploit organized and unorganized data. This study utilized hybrid optimization algorithms to find friction stir welding and optimal hardness value at the nugget zone. A similar AA 6262 material was used and welded in a butt joint configuration. Tool rotational speed (RPM), tool traverse speed (mm/min), and the plane depth (mm) are used as controllable parameters and optimized using Taguchi L9, Random Forest, and XG Boost machine learning tools. Analysis of variance was also conducted at a 95% confidence interval for identifying the significant parameters. The result indicated that the coefficient of determination from Taguchi L9 orthogonal array is 0.91 obtained while Random Forest and XG Boost algorithm imparted 0.62 and 0.65, respectively.
• Abstract（参考訳）: 現在、工業4.0は、現代の製造システムにおけるデータ量と精度を高めるために、製造業において大きな役割を果たしている。 人工知能、特に機械学習のおかげで、ビッグデータ分析は劇的に改善され、製造業者は組織化された非組織的なデータを容易に活用できる。 本研究は, ハイブリッド最適化アルゴリズムを用いて, ナゲットゾーンにおける摩擦圧接溶接と最適硬度値を求める。 同様のAA 6262の材料がバットジョイント構成で使用され溶接された。 ツール回転速度(RPM)、ツール横速度(mm/min)、平面深度(mm)を制御可能なパラメータとして使用し、田口L9、ランダムフォレスト、XG Boost機械学習ツールを用いて最適化する。 また,有意なパラメータを特定するために95%信頼区間で分散分析を行った。 その結果,田口L9直交アレイの判定係数は0.91であり,ランダムフォレストとXGBoostアルゴリズムはそれぞれ0.62,0.65であった。

関連論文リスト

• Automated Classification of Dry Bean Varieties Using XGBoost and SVM Models [0.0]
  本稿では,機械学習モデルを用いた7種類の乾燥豆の自動分類について比較検討する。 XGBoostとSVMのモデルはそれぞれ94.00%と94.39%の正確な分類率を達成した。 本研究は, 種子品質制御と収量最適化を効果的に支援できることを実証し, 精密農業への取り組みの活発化に寄与する。
  論文  参考訳（メタデータ） (2024-08-02T13:05:33Z)
• DiffNAS: Bootstrapping Diffusion Models by Prompting for Better Architectures [63.12993314908957]
  そこで我々は,DiffNASと呼ばれるベースモデル探索手法を提案する。 GPT-4をスーパーネットとして利用して検索を高速化し,検索メモリを補足して結果を向上する。 厳密な実験により,GPTに基づくシナリオでは,探索効率を2倍に向上できることが示された。
  論文  参考訳（メタデータ） (2023-10-07T09:10:28Z)
• PruMUX: Augmenting Data Multiplexing with Model Compression [42.89593283051397]
  本稿では、構造化プルーニングとデータ多重化という2つの手法を組み合わせて、どちらの手法でも得られる高速化ゲインを合成する。 我々のアプローチであるPruMUXは、精度が80%から74%のBERTベースモデルよりも7.5-29.5倍のスループット向上を実現している。 我々は,所望の精度損失予算を条件として,プルーニングと多重化の高性能パラメータを予測できるメタレベルモデルであるAuto-PruMUXを提案する。
  論文  参考訳（メタデータ） (2023-05-24T04:22:38Z)
• 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)
• Machine Learning Algorithms for Prediction of Penetration Depth and Geometrical Analysis of Weld in Friction Stir Spot Welding Process [0.0]
  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。
  論文  参考訳（メタデータ） (2022-01-21T17:16:25Z)
• An automatic differentiation system for the age of differential privacy [65.35244647521989]
  Tritiumは、微分プライベート(DP)機械学習(ML)のための自動微分ベース感度分析フレームワークである 我々は、微分プライベート(DP)機械学習(ML)のための自動微分に基づく感度分析フレームワークTritiumを紹介する。
  論文  参考訳（メタデータ） (2021-09-22T08:07:42Z)
• Process parameter optimization of Friction Stir Welding on 6061AA using Supervised Machine Learning Regression-based Algorithms [0.0]
  本稿では, 溶接継手の機械的特性向上のための最適プロセスパラメータの検証を行った。 実験は5mm6061アルミニウム合金板上で行われ, 工具材料, 回転速度, 横速度, 軸力を用いた。
  論文  参考訳（メタデータ） (2021-08-12T05:45:02Z)
• Intelligent Tire-Based Slip Ratio Estimation Using Different Machine Learning Algorithms [12.176982322730217]
  インテリジェントタイヤシステムで使用される三軸MEMS加速度計の加速度信号に基づいて, 4つの機械学習アルゴリズムを用いてスリップ比を推定する。 本稿では,タイヤスリップ率の正確な推定方法として,インテリジェントタイヤシステムと機械学習アルゴリズムの融合による検討を行った。
  論文  参考訳（メタデータ） (2021-06-09T01:41:02Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)
• Data Dependent Randomized Smoothing [127.34833801660233]
  データ依存フレームワークは、3つのランダムな平滑化アプローチにシームレスに組み込むことができます。 CIFAR10とImageNetで0.5の半径の最強ベースラインの認定精度よりも9%と6%の改善が得られています。
  論文  参考訳（メタデータ） (2020-12-08T10:53:11Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。