論文の概要: Identifying Simulation Model Through Alternative Techniques for a
Medical Device Assembly Process
- arxiv url: http://arxiv.org/abs/2309.15094v1
- Date: Tue, 26 Sep 2023 17:40:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-27 12:44:39.099489
- Title: Identifying Simulation Model Through Alternative Techniques for a
Medical Device Assembly Process
- Title（参考訳）: 医療機器組立プロセスにおける代替手法によるシミュレーションモデルの同定
- Authors: Fatemeh Kakavandi
- Abstract要約: 本稿では,シミュレーションモデルの同定と近似のための2つの異なるアプローチについて検討する。
私たちのゴールは、スナッププロセスを正確に表現し、多様なシナリオに対応できる適応可能なモデルを作ることです。
- 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: This scientific paper explores two distinct approaches for identifying and
approximating the simulation model, particularly in the context of the snap
process crucial to medical device assembly. Simulation models play a pivotal
role in providing engineers with insights into industrial processes, enabling
experimentation and troubleshooting before physical assembly. However, their
complexity often results in time-consuming computations.
To mitigate this complexity, we present two distinct methods for identifying
simulation models: one utilizing Spline functions and the other harnessing
Machine Learning (ML) models. Our goal is to create adaptable models that
accurately represent the snap process and can accommodate diverse scenarios.
Such models hold promise for enhancing process understanding and aiding in
decision-making, especially when data availability is limited.
- Abstract（参考訳）: 本稿では,シミュレーションモデルを同定・近似するための2つの異なるアプローチ,特に医療機器の組み立てに不可欠なスナッププロセスの文脈について検討する。
シミュレーションモデルは、技術者に産業プロセスに関する洞察を与え、物理的組み立ての前に実験とトラブルシューティングを可能にする上で重要な役割を果たす。
しかし、その複雑さはしばしば時間を要する計算をもたらす。
この複雑さを軽減するために、Spline関数と機械学習(ML)モデルを利用する2つの異なるシミュレーションモデルを特定する方法を提案する。
私たちのゴールは、スナッププロセスを正確に表現し、多様なシナリオに対応できる適応可能なモデルを作ることです。
このようなモデルは、特にデータ可用性が制限された場合に、プロセスの理解と意思決定の支援を約束する。
関連論文リスト
- Semantic Capability Model for the Simulation of Manufacturing Processes [38.69817856379812]
シミュレーションは製造工程の検査の機会を提供する。
異なるシミュレーションの組み合わせは、あるシミュレーションの出力が別のシミュレーションの入力パラメータとして機能し、結果として一連のシミュレーションとなるときに必要である。
シミュレーション、特定の知識を生成する能力、それぞれの品質基準を表現した情報モデルが導入された。
論文 参考訳（メタデータ） (2024-08-15T09:28:08Z) - Learning to Simulate: Generative Metamodeling via Quantile Regression [2.2518304637809714]
我々は「シミュレーターの高速シミュレータ」を構築することを目的とした、生成メタモデリングと呼ばれる新しいメタモデリング概念を提案する。
一度構築すると、生成メタモデルは入力が特定されるとすぐに大量のランダム出力を生成することができる。
本稿では,QRGMM(quantile-regression-based generative metamodeling)という新しいアルゴリズムを提案し,その収束率と収束率について検討する。
論文 参考訳（メタデータ） (2023-11-29T16:46:24Z) - Learning minimal representations of stochastic processes with
variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。
我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文 参考訳（メタデータ） (2023-07-21T14:25:06Z) - Online simulator-based experimental design for cognitive model selection [74.76661199843284]
本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。
シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
論文 参考訳（メタデータ） (2023-03-03T21:41:01Z) - Learning non-stationary and discontinuous functions using clustering,
classification and Gaussian process modelling [0.0]
非滑らかな関数の近似に対する3段階のアプローチを提案する。
この考え方は、システムの局所的な振る舞いや体制に従って空間を分割し、局所的なサロゲートを構築することである。
本手法は, 引張膜構造の2つの解析関数と有限要素モデルを用いて検証し, 検証した。
論文 参考訳（メタデータ） (2022-11-30T11:11:56Z) - Extending Process Discovery with Model Complexity Optimization and
Cyclic States Identification: Application to Healthcare Processes [62.997667081978825]
モデル最適化のための半自動支援を実現するプロセスマイニング手法を提案する。
所望の粒度で生モデルを抽象化するモデル単純化手法が提案されている。
医療分野の異なるアプリケーションから得られた3つのデータセットを用いて、技術的ソリューションの能力を実証することを目的としている。
論文 参考訳（メタデータ） (2022-06-10T16:20:59Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳（メタデータ） (2021-07-07T11:17:09Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z) - Model-data-driven constitutive responses: application to a multiscale
computational framework [0.0]
古典法則(モデルベース)、データ駆動補正コンポーネント、計算的マルチスケールアプローチを組み合わせたハイブリッド方法論が提示される。
非線形数値均質化法により得られた低スケールのデータを用いてモデルベース材料表現を局所的に改善する。
提案手法では,モデルとデータの両方が基本的な役割を担い,物理に基づく応答と機械学習のブラックボックスの相乗的統合を実現する。
論文 参考訳（メタデータ） (2021-04-06T16:34:46Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳（メタデータ） (2020-03-04T00:44:57Z)
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。