論文の概要: Machine Learning-Assisted Pattern Recognition Algorithms for Estimating
Ultimate Tensile Strength in Fused Deposition Modeled Polylactic Acid
Specimens
- arxiv url: http://arxiv.org/abs/2307.06970v1
- Date: Thu, 13 Jul 2023 11:10:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-17 15:59:34.437227
- Title: Machine Learning-Assisted Pattern Recognition Algorithms for Estimating
Ultimate Tensile Strength in Fused Deposition Modeled Polylactic Acid
Specimens
- Title（参考訳）: 溶融沈着モデルポリ乳酸試料の最大引張強度推定のための機械学習支援パターン認識アルゴリズム
- Authors: Akshansh Mishra, Vijaykumar S Jatti
- Abstract要約: 混合沈着モデル(FDM)プロセスを用いて作製したポリ乳酸(PLA)試料の最大引張強度(UTS)を推定するための教師付き機械学習アルゴリズムの適用について検討した。
主な目的は、ロジスティック分類(Logistic Classification)、グラディエントブースティング分類(Gradient Boosting Classification)、決定木(Decision Tree)、K-Nearest Neighbor(K-Nearest Neighbor)の4つの異なる分類アルゴリズムの精度と有効性を評価することである。
その結果、決定木とK-Nearest NeighborアルゴリズムはともにF1スコア0.71を達成したが、KNNアルゴリズムはAUC(Area Under the Curve)スコア0.79を達成し、他のアルゴリズムを上回った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this study, we investigate the application of supervised machine learning
algorithms for estimating the Ultimate Tensile Strength (UTS) of Polylactic
Acid (PLA) specimens fabricated using the Fused Deposition Modeling (FDM)
process. A total of 31 PLA specimens were prepared, with Infill Percentage,
Layer Height, Print Speed, and Extrusion Temperature serving as input
parameters. The primary objective was to assess the accuracy and effectiveness
of four distinct supervised classification algorithms, namely Logistic
Classification, Gradient Boosting Classification, Decision Tree, and K-Nearest
Neighbor, in predicting the UTS of the specimens. The results revealed that
while the Decision Tree and K-Nearest Neighbor algorithms both achieved an F1
score of 0.71, the KNN algorithm exhibited a higher Area Under the Curve (AUC)
score of 0.79, outperforming the other algorithms. This demonstrates the
superior ability of the KNN algorithm in differentiating between the two
classes of ultimate tensile strength within the dataset, rendering it the most
favorable choice for classification in the context of this research. This study
represents the first attempt to estimate the UTS of PLA specimens using machine
learning-based classification algorithms, and the findings offer valuable
insights into the potential of these techniques in improving the performance
and accuracy of predictive models in the domain of additive manufacturing.
- Abstract（参考訳）: 本研究では,FDM法を用いて作製したポリ乳酸(PLA)試料の最大引張強度(UTS)を推定するための教師付き機械学習アルゴリズムの適用について検討した。
入力パラメータとして,Infill Percentage, Layer Height, Print Speed, extrusion Temperatureの計31種が調製された。
主な目的は,標本のUTS予測において,ロジスティック分類,グラディエントブースティング分類,決定木,K-Nearest Neighborの4つの異なる分類アルゴリズムの精度と有効性を評価することであった。
その結果、決定木とk-nearest近傍のアルゴリズムはどちらも0.71のf1スコアを達成したが、knアルゴリズムは他のアルゴリズムを上回り、曲線(auc)スコアの0.79よりも高い領域を示した。
このことは、データセット内の究極の引張強度の2つのクラスを区別するKNNアルゴリズムの優れた能力を示し、この研究の文脈において最も好ましい選択であることを示している。
本研究は,機械学習に基づく分類アルゴリズムを用いてpla標本のutsを推定する最初の試みであり,これらの手法が添加物製造の分野における予測モデルの性能と精度を向上させる上で有用であることを示す。
関連論文リスト
- Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。
推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。
我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
論文 参考訳（メタデータ） (2024-11-02T07:06:53Z) - The Languini Kitchen: Enabling Language Modelling Research at Different
Scales of Compute [66.84421705029624]
本稿では,アクセル時間で測定された等価計算に基づくモデル比較を可能にする実験的プロトコルを提案する。
私たちは、既存の学術的ベンチマークを上回り、品質、多様性、文書の長さで上回る、大規模で多様で高品質な書籍データセットを前処理します。
この研究は、GPT-2アーキテクチャから派生したフィードフォワードモデルと、10倍のスループットを持つ新しいLSTMの形式でのリカレントモデルという2つのベースラインモデルも提供する。
論文 参考訳（メタデータ） (2023-09-20T10:31:17Z) - Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。
この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
論文 参考訳（メタデータ） (2023-07-06T15:19:53Z) - Out-of-distribution detection algorithms for robust insect
classification [9.411531046381723]
アウト・オブ・ディストリビューション(OOD)検出アルゴリズムは、これらの課題を克服するためのエキサイティングな道を提供する。
昆虫検出分類器における最先端OODアルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2023-05-02T23:19:16Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳（メタデータ） (2022-10-02T05:03:38Z) - Towards Diverse Evaluation of Class Incremental Learning: A Representation Learning Perspective [67.45111837188685]
クラスインクリメンタル学習(CIL)アルゴリズムは、インクリメンタルに到着したデータから新しいオブジェクトクラスを継続的に学習することを目的としている。
表現学習における様々な評価プロトコルを用いて,CILアルゴリズムによって訓練されたニューラルネットワークモデルを実験的に解析する。
論文 参考訳（メタデータ） (2022-06-16T11:44:11Z) - KNN Learning Techniques for Proportional Myocontrol in Prosthetics [0.0]
比例法により拡張されたジェスチャー認識のためのk-nearest neighbor(kNN)分類手法を提案する。
データは、前腕に位置決めされた最先端の8チャンネルのエレクトロミオグラフィーアームバンドによってキャプチャされる。
実験では、kNNベースのアルゴリズムを好んで統計的に有意な改善が見られた。
論文 参考訳（メタデータ） (2021-09-18T12:04:32Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - Validating GAN-BioBERT: A Methodology For Assessing Reporting Trends In
Clinical Trials [3.164363223464948]
本研究では,半教師付き自然言語プロセスモデルを用いた臨床試験要約のための感情分類アルゴリズムを開発した。
このアルゴリズムの精度は91.3%であり、マクロF1スコアは0.92であり、従来の手法に比べて精度が大幅に向上した。
論文 参考訳（メタデータ） (2021-06-01T17:51:54Z) - Unsupervised learning of disentangled representations in deep restricted
kernel machines with orthogonality constraints [15.296955630621566]
Constr-DRKMは、非教師なしデータ表現の学習のためのディープカーネル手法である。
本研究では,不整合特徴学習における提案手法の有効性を定量的に評価する。
論文 参考訳（メタデータ） (2020-11-25T11:40:10Z) - Weighted Aggregating Stochastic Gradient Descent for Parallel Deep
Learning [8.366415386275557]
解決策には、ニューラルネットワークモデルにおける最適化のための目的関数の修正が含まれる。
本稿では,地方労働者のパフォーマンスに基づく分散型重み付けアグリゲーション方式を提案する。
提案手法を検証するため,提案手法をいくつかの一般的なアルゴリズムと比較した。
論文 参考訳（メタデータ） (2020-04-07T23:38:29Z)
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。