論文の概要: Machine learning tools to improve nonlinear modeling parameters of RC columns

• arxiv url: http://arxiv.org/abs/2303.16140v1
• Date: Thu, 9 Mar 2023 01:00:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-31 15:58:40.503381
• Title: Machine learning tools to improve nonlinear modeling parameters of RC columns
• Title（参考訳）: RC柱の非線形モデリングパラメータ改善のための機械学習ツール
• Authors: Hamid Khodadadi Koodiani, Elahe Jafari, Arsalan Majlesi, Mohammad Shahin, Adolfo Matamoros, Adel Alaeddini
• Abstract要約: 本稿では, 耐震基準の非線形モデリング法則を改善する上で, 最も重要な2つの障壁について論じる。 入力パラメータ間の相互依存性と入力パラメータとモデル出力間の非線形関係を認識できるデータフィッティング技術を実装している。 機械学習回帰モデルと機械学習ブラックボックスは、ACI 369.1/ASCE 41標準の現在の規定よりも正確であることが判明した。
• 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: Modeling parameters are essential to the fidelity of nonlinear models of concrete structures subjected to earthquake ground motions, especially when simulating seismic events strong enough to cause collapse. This paper addresses two of the most significant barriers to improving nonlinear modeling provisions in seismic evaluation standards using experimental data sets: identifying the most likely mode of failure of structural components, and implementing data fitting techniques capable of recognizing interdependencies between input parameters and nonlinear relationships between input parameters and model outputs. Machine learning tools in the Scikit-learn and Pytorch libraries were used to calibrate equations and black-box numerical models for nonlinear modeling parameters (MP) a and b of reinforced concrete columns defined in the ASCE 41 and ACI 369.1 standards, and to estimate their most likely mode of failure. It was found that machine learning regression models and machine learning black-boxes were more accurate than current provisions in the ACI 369.1/ASCE 41 Standards. Among the regression models, Regularized Linear Regression was the most accurate for estimating MP a, and Polynomial Regression was the most accurate for estimating MP b. The two black-box models evaluated, namely the Gaussian Process Regression and the Neural Network (NN), provided the most accurate estimates of MPs a and b. The NN model was the most accurate machine learning tool of all evaluated. A multi-class classification tool from the Scikit-learn machine learning library correctly identified column mode of failure with 79% accuracy for rectangular columns and with 81% accuracy for circular columns, a substantial improvement over the classification rules in ASCE 41-13.
• Abstract（参考訳）: モデルパラメータは地震動を受けるコンクリート構造物の非線形モデル、特に崩壊を起こすほど強い地震イベントをシミュレートする場合の忠実性に不可欠である。 本稿では, 入力パラメータと入力パラメータとモデル出力の非線形関係の相互依存性を認識可能なデータフィッティング技術を実装することで, 実験データを用いた耐震性能評価基準における非線形モデリング規定を改善する上で, 最も重要な2つの障壁について述べる。 scikit-learnとpytorchライブラリの機械学習ツールは、asce 41とaci 369.1で定義された鉄筋コンクリート柱の非線形モデリングパラメータ(mp)aとbの方程式とブラックボックス数値モデルを校正し、最も可能性の高い失敗モードを推定するために使用された。 機械学習回帰モデルと機械学習ブラックボックスは、ACI 369.1/ASCE 41標準の現在の規定よりも正確であることが判明した。 回帰モデルのうち, 正規化線形回帰はMPaを推定する上で最も正確であり, 多項式回帰はMPbを推定する上で最も正確であった。 評価された2つのブラックボックスモデル、すなわちガウス過程回帰とニューラルネットワーク(NN)は、MPs aとbの最も正確な推定値を提供した。 NNモデルは、すべての評価において最も正確な機械学習ツールであった。 scikit-learn machine learning library(scikit-learn machine learning library)のマルチクラス分類ツールは、矩形列の79%の精度と円柱の81%の精度で、asce 41-13の分類規則を大幅に改善した。

関連論文リスト

• Differentiable Calibration of Inexact Stochastic Simulation Models via Kernel Score Minimization [11.955062839855334]
  そこで本研究では,勾配降下によるカーネルスコア最小化による出力レベルデータを用いて,シミュレーションモデルの異なる入力パラメータを学習する。 モデル不正確性を考慮した新しい正規化結果を用いて,学習した入力パラメータの不確かさを定量化する。
  論文  参考訳（メタデータ） (2024-11-08T04:13:52Z)
• Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [61.64685376882383]
  ランク付け学習(CLTR: Counterfactual Learning to rank)は、IRコミュニティにおいて、ログ化された大量のユーザインタラクションデータを活用してランキングモデルをトレーニングする能力において、大きな注目を集めている。 本稿では,複雑かつ多様な状況における既存のCLTRモデルのロバスト性について検討する。 その結果, DLAモデルとIPS-DCMは, PS-PBMやPSSよりも, オフラインの確率推定による堅牢性が高いことがわかった。
  論文  参考訳（メタデータ） (2024-04-04T10:54:38Z)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• Learning Residual Model of Model Predictive Control via Random Forests for Autonomous Driving [13.865293598486492]
  自律運転における予測制御(MPC)の大きな問題は、システムモデルの予測と計算の矛盾である。 本稿では、MPC追跡精度をプログラム(QP)問題最適化として再構成し、プログラム(QP)が効果的に解けるようにする。
  論文  参考訳（メタデータ） (2023-04-10T03:32:09Z)
• Machine learning based surrogate modeling with SVD enabled training for nonlinear civil structures subject to dynamic loading [0.0]
  本稿では,地震を予測するための機械学習に基づく代理モデルフレームワークを提案する。 1階建てと3階建ての建物のピーク応答をうまく予測するために、このフレームワークを用いて検証する。
  論文  参考訳（メタデータ） (2022-06-12T11:57:58Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Flexible Model Aggregation for Quantile Regression [92.63075261170302]
  量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。 条件付き量子モデルの任意の数を集約する手法について検討する。 この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
  論文  参考訳（メタデータ） (2021-02-26T23:21:16Z)
• A Hypergradient Approach to Robust Regression without Correspondence [85.49775273716503]
  本稿では,入力データと出力データとの対応が不十分な回帰問題について考察する。 ほとんどの既存手法はサンプルサイズが小さい場合にのみ適用できる。 シャッフル回帰問題に対する新しい計算フレームワークであるROBOTを提案する。
  論文  参考訳（メタデータ） (2020-11-30T21:47:38Z)
• Reinforcement Learning based dynamic weighing of Ensemble Models for Time Series Forecasting [0.8399688944263843]
  データモデリングのために選択されたモデルが(線形/非線形、静的/動的)異なるモデルと独立(最小相関)モデルである場合、予測の精度が向上することが知られている。 アンサンブルモデルを重み付けするために文献で提案された様々なアプローチは、静的な重みセットを使用する。 この問題に対処するため、Reinforcement Learning (RL)アプローチでは、各モデルの重み付けを異なるタイミングで動的に割り当て、更新する。
  論文  参考訳（メタデータ） (2020-08-20T10:40:42Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)
• Online Tensor-Based Learning for Multi-Way Data [1.0953917735844645]
  オンラインの$CANDECOMP/PARAFAC$分解のために、新しい効率的なテンソルベースの特徴抽出法NeSGDが提案されている。 その結果,提案手法は分類誤り率を大幅に改善し,時間とともに正のデータ分布の変化を同化することができ,全てのケーススタディにおいて高い予測精度を維持した。
  論文  参考訳（メタデータ） (2020-03-10T02:04:08Z)

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。