Fugu-MT 論文翻訳(概要): Steel Phase Kinetics Modeling using Symbolic Regression

論文の概要: Steel Phase Kinetics Modeling using Symbolic Regression

arxiv url: http://arxiv.org/abs/2212.10284v1
Date: Mon, 19 Dec 2022 12:46:23 GMT
ステータス: 処理完了
システム内更新日: 2022-12-21 13:42:10.888163
Title: Steel Phase Kinetics Modeling using Symbolic Regression
Title（参考訳）: シンボリック回帰を用いた鉄鋼相速度論モデリング
Authors: David Piringer, Bernhard Bloder, Gabriel Kronberger
Abstract要約: 本稿では,象徴的回帰と遺伝的プログラミングに基づく鉄鋼相速度論の実証モデリング手法について述べる。このアルゴリズムは、ディラトメーターの測定から収集された処理データを取り込み、位相運動学をモデル化する微分方程式の系を生成する。このモデルでは, 単一鋼のフェライト, パーライト, ベイナイトの生成を予測した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We describe an approach for empirical modeling of steel phase kinetics based on symbolic regression and genetic programming. The algorithm takes processed data gathered from dilatometer measurements and produces a system of differential equations that models the phase kinetics. Our initial results demonstrate that the proposed approach allows to identify compact differential equations that fit the data. The model predicts ferrite, pearlite and bainite formation for a single steel type. Martensite is not yet included in the model. Future work shall incorporate martensite and generalize to multiple steel types with different chemical compositions.
Abstract（参考訳）: 本稿では,シンボリック回帰と遺伝的プログラミングに基づく鉄鋼相速度論の実証的モデリング手法について述べる。このアルゴリズムは、ディラトメーター測定から収集された処理データを取り込み、位相運動学をモデル化する微分方程式のシステムを生成する。提案手法により,データに適合するコンパクトな微分方程式を同定できることを示す。このモデルは, 単鋼のフェライト, パーライトおよびベイナイトの生成を予測する。 Martensiteはまだモデルに含まれていない。今後の作業では,マルテンサイトを取り入れ,化学組成の異なる複数の鋼型に一般化する。

関連論文リスト

Cascade of phase transitions in the training of Energy-based models [9.945465034701288]
原型エネルギーベース生成モデルBernoulli-Bernoulli RBMの特徴符号化過程について検討した。本研究は、その特異値分解によるモデルの重み行列の進化をトラックする。我々はBernoulli-Bernoulli RBMを実データ集合上でトレーニングすることで理論的結果を検証する。
論文参考訳（メタデータ） (2024-05-23T15:25:56Z)
Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
論文参考訳（メタデータ） (2024-03-03T04:21:21Z)
Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文参考訳（メタデータ） (2023-10-10T13:23:05Z)
Predicting Ordinary Differential Equations with Transformers [65.07437364102931]
単一溶液軌道の不規則サンプリングおよび雑音観測から,スカラー常微分方程式(ODE)を記号形式で復元するトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを開発した。提案手法は, 1回に一度, ODE の大規模な事前訓練を行った後, モデルのいくつかの前方通過において, 新たな観測解の法則を推測することができる。
論文参考訳（メタデータ） (2023-07-24T08:46:12Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
Modelling of physical systems with a Hopf bifurcation using mechanistic models and machine learning [0.0]
物理系の極限周期振動をホップ分岐で予測するために,機械的モデルと機械的モデルを組み合わせた新しいハイブリッド・モデリング手法を提案する。このモデルから実験観測へのデータ駆動マッピングは、機械学習技術を用いて実験データに基づいて同定される。この手法は汎用的でデータ効率が良く、分岐構造以外のシステムについて事前の知識がなければ精度が良いことが示されている。
論文参考訳（メタデータ） (2022-09-07T12:27:11Z)
Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文参考訳（メタデータ） (2022-02-18T22:41:51Z)
Bayesian Calibration of imperfect computer models using Physics-informed priors [0.0]
本稿では,計算機モデルの物理パラメータの不確かさを定量化するのに適した,計算効率の良いデータ駆動フレームワークを提案する。我々はこれを完全にベイズ的枠組みに拡張し、物理パラメータの不確かさとモデル予測の定量化を可能にした。この研究は、高血圧の個人治療のための心臓の血行動態の解釈可能なパラメータの必要性によって動機付けられている。
論文参考訳（メタデータ） (2022-01-17T15:16:26Z)
Neural Symbolic Regression that Scales [58.45115548924735]
本稿では,大規模事前学習を利用した最初の記号回帰手法を提案する。我々は,非有界な方程式の集合を手続き的に生成し,同時にインプット・アウトプット・ペアの集合からシンボル方程式を予測するためにトランスフォーマーを事前訓練する。
論文参考訳（メタデータ） (2021-06-11T14:35:22Z)
Stochastic Differential Equations with Variational Wishart Diffusions [18.590352916158093]
回帰タスクと連続時間力学モデリングの両方に対して微分方程式を推論する非パラメトリックな方法を提案する。この研究は微分方程式の一部(拡散とも呼ばれる)に重点を置いており、ウィッシュアート過程を用いてモデル化している。
論文参考訳（メタデータ） (2020-06-26T10:21:35Z)

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。