論文の概要: Physical Logic Enhanced Network for Small-Sample Bi-Layer Metallic Tubes Bending Springback Prediction

• arxiv url: http://arxiv.org/abs/2209.09870v1
• Date: Tue, 20 Sep 2022 17:27:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-09-21 19:03:34.137690
• Title: Physical Logic Enhanced Network for Small-Sample Bi-Layer Metallic Tubes Bending Springback Prediction
• Title（参考訳）: スプリングバック予測を曲げた小型二層金属管の物理論理強化ネットワーク
• Authors: Chang Sun, Zili Wang, Shuyou Zhang, Le Wang, Jianrong Tan
• Abstract要約: 両層金属管(BMT)は工学的応用において極めて重要な役割を担い、ロータリードローイング曲げ(RDB)は高精度な曲げ加工を実現することができる。 機構研究と機械学習に基づく既存の手法は、スプリングバック予測の工学的要件を満たすことができない。 予備メカニズム解析に基づいて,物理論理拡張ネットワーク(PE-NET)を提案する。
• 参考スコア（独自算出の注目度）: 9.333779353199613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bi-layer metallic tube (BMT) plays an extremely crucial role in engineering applications, with rotary draw bending (RDB) the high-precision bending processing can be achieved, however, the product will further springback. Due to the complex structure of BMT and the high cost of dataset acquisi-tion, the existing methods based on mechanism research and machine learn-ing cannot meet the engineering requirements of springback prediction. Based on the preliminary mechanism analysis, a physical logic enhanced network (PE-NET) is proposed. The architecture includes ES-NET which equivalent the BMT to the single-layer tube, and SP-NET for the final predic-tion of springback with sufficient single-layer tube samples. Specifically, in the first stage, with the theory-driven pre-exploration and the data-driven pretraining, the ES-NET and SP-NET are constructed, respectively. In the second stage, under the physical logic, the PE-NET is assembled by ES-NET and SP-NET and then fine-tuned with the small sample BMT dataset and composite loss function. The validity and stability of the proposed method are verified by the FE simulation dataset, the small-sample dataset BMT springback angle prediction is achieved, and the method potential in inter-pretability and engineering applications are demonstrated.
• Abstract（参考訳）: 両層金属管(BMT)は工学的応用において極めて重要な役割を担い、ロータリードローイング曲げ(RDB)により高精度な曲げ加工が可能となるが、さらなるスプリングバックが期待できる。 BMTの複雑な構造とデータセット取得のコストが高いため、メカニズム研究と機械学習に基づく既存の手法は、スプリングバック予測の工学的要件を満たすことができない。 予備メカニズム解析に基づいて,物理論理拡張ネットワーク(PE-NET)を提案する。 このアーキテクチャは、BMTを単層管に等価するES-NETと、十分な単層管サンプルを持つスプリングバックの最終述語としてSP-NETを含む。 具体的には、理論駆動前爆発とデータ駆動前訓練により、es-netとsp-netがそれぞれ構築される。 第2段階では、物理論理の下でPE-NETはES-NETとSP-NETで組み立てられ、小さなサンプルBMTデータセットと複合損失関数で微調整される。 提案手法の有効性と安定性をFEシミュレーションデータセットを用いて検証し,小サンプルデータセットBMTスプリングバック角予測を行い,予測可能性および工学的応用の可能性を示す。

関連論文リスト

• Effortless, Simulation-Efficient Bayesian Inference using Tabular Foundation Models [5.952993835541411]
  本研究では,TabPFNをシミュレーションベース推論のための自己回帰条件密度推定器として用いる方法を示す。 NPE-PFは、推論ネットワークの選択、トレーニング、ハイパーパラメータチューニングの必要性を排除する。 モデルミス特定に優れたロバスト性を示し、TabPFNのコンテキストサイズ限界を超えるシミュレーション予算にスケールできる。
  論文  参考訳（メタデータ） (2025-04-24T15:29:39Z)
• Bayesian Reasoning Enabled by Spin-Orbit Torque Magnetic Tunnel Junctions [7.081096702778852]
  本稿では,スピン軌道型トルクトンネル接合(SOT-MTJ)のベイジアンネットワーク推論への応用を実証した概念実証実験について述べる。 ネットワークのパラメータは、単純なポイント・バイ・ポイントのトレーニングアルゴリズムによって最適にアプローチすることもできる。 SOT-MTJをランダム数生成器およびサンプリング器として用いた簡易診断システムを開発した。
  論文  参考訳（メタデータ） (2025-04-11T05:02:27Z)
• Semi-Federated Learning: Convergence Analysis and Optimization of A Hybrid Learning Framework [70.83511997272457]
  本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。 我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
  論文  参考訳（メタデータ） (2023-10-04T03:32:39Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection [55.028065567756066]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。 本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。 バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。 We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
  論文  参考訳（メタデータ） (2022-06-26T16:00:22Z)
• Short-Term Load Forecasting for Smart HomeAppliances with Sequence to Sequence Learning [14.223968452923945]
  本稿では,LSTMに基づくシーケンス・ツー・シーケンス(seq2seq)学習モデルを提案する。 提案手法を,VARMA,Dilated One dimensional Convolutional Neural Network,LSTMモデルという3つの手法と比較した。 その結果,LSTMをベースとしたSeq2seqモデルは,ほとんどの場合,予測誤差の点で他の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-06-26T02:21:36Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• Neural BRDF Representation and Importance Sampling [79.84316447473873]
  本稿では,リフレクタンスBRDFデータのコンパクトニューラルネットワークに基づく表現について述べる。 BRDFを軽量ネットワークとしてエンコードし、適応角サンプリングによるトレーニングスキームを提案する。 複数の実世界のデータセットから等方性および異方性BRDFの符号化結果を評価する。
  論文  参考訳（メタデータ） (2021-02-11T12:00:24Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)
• Toward Real-World BCI: CCSPNet, A Compact Subject-Independent Motor Imagery Framework [2.0741711594051377]
  従来の脳-コンピュータインタフェース(BCI)は、使用前に各ユーザーに対して完全なデータ収集、トレーニング、校正フェーズを必要とする。 大規模脳波信号データベースの運動画像(MI)パラダイムを学習するCCSPNetという,新規な主体に依存しないBCIフレームワークを提案する。 提案手法は,ウェーブレット核畳み込みニューラルネットワーク(wkcnn)と時間畳み込みニューラルネットワーク(tcnn)を適用し,脳波信号の多様なスペクトル特性を表現・抽出する。
  論文  参考訳（メタデータ） (2020-12-25T12:00:47Z)
• Predicting Mechanical Properties from Microstructure Images in Fiber-reinforced Polymers using Convolutional Neural Networks [8.023452876968694]
  本稿では,繊維強化ポリマー試料の2次元分割トモグラフィ画像の応力場予測のために,ScressNetから修正した完全畳み込みニューラルネットワークについて検討する。 トレーニングされたモデルは、通常のラップトップ上で1回のフォワードパスで数秒以内に予測を行うことができ、ハイパフォーマンスなコンピューティングクラスタ上で完全な有限要素シミュレーションを実行するのに92.5時間かかる。
  論文  参考訳（メタデータ） (2020-10-07T22:15:48Z)
• Machine learning for metal additive manufacturing: Predicting temperature and melt pool fluid dynamics using physics-informed neural networks [0.0]
  本稿では,データと最初の物理原理を融合する物理情報ニューラルネットワーク(PINN)フレームワークを提案する。 これは、PINNの3次元AMプロセスモデリングへの最初の応用である。 PINNは、金属AMプロセス中の温度とプールのダイナミクスをある程度のラベル付きデータセットで正確に予測することができる。
  論文  参考訳（メタデータ） (2020-07-28T20:34:38Z)

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。