論文の概要: Transformer Based Model for Predicting Rapid Impact Compaction Outcomes:
A Case Study of Utapao International Airport
- arxiv url: http://arxiv.org/abs/2311.17959v1
- Date: Wed, 29 Nov 2023 10:56:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-01 19:24:41.314756
- Title: Transformer Based Model for Predicting Rapid Impact Compaction Outcomes:
A Case Study of Utapao International Airport
- Title(参考訳): 急速衝突圧縮結果予測のための変圧器モデル--ウタパオ国際空港を事例として
- Authors: Sompote Youwai and Sirasak Detcheewa
- Abstract要約: 本稿では,Rapid Impact Compaction (RIC) により改良された地盤の工学的特性を予測するための新しい深層学習手法を提案する。
RICは、ドロップハンマーを使って土壌をコンパクト化し、層を埋める地上改良技術である。
提案手法では,入力特徴間の複雑な非線形関係を解析するために,トランスフォーマーに基づくニューラルネットワークを用いる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces a novel deep learning approach to predict the
engineering properties of the ground improved by Rapid Impact Compaction (RIC),
which is a ground improvement technique that uses a drop hammer to compact the
soil and fill layers. The proposed approach uses transformer-based neural
networks to capture the complex nonlinear relationships between the input
features, such as the hammer energy, drop height, and number of blows, and the
output variables, such as the cone resistance. The approach is applied to a
real-world dataset from a trial test section for the new apron construction of
the Utapao International Airport in Thailand. The results show that the
proposed approach outperforms the existing methods in terms of prediction
accuracy and efficiency and provides interpretable attention maps that reveal
the importance of different features for RIC prediction. The paper also
discusses the limitations and future directions of applying deep learning
methods to RIC prediction.
- Abstract(参考訳): 本稿では, 落下ハンマーを用いて地盤を圧縮し, 充填層を充填する地盤改良技術であるrapid impact compaction (ric) により, 地盤の工学的特性を推定する新しい深層学習手法を提案する。
提案手法では, 入力特性, ハンマーエネルギー, 落下高さ, 打撃数, コーン抵抗などの出力変数の間の複雑な非線形関係を解析するために, トランスフォーマーベースニューラルネットワークを用いる。
このアプローチは、タイのユタパオ国際空港の新しいエプロン建設のための試行テストセクションから現実のデータセットに適用される。
その結果,提案手法は予測精度と効率において既存手法よりも優れており,RIC予測における特徴の重要性を明らかにするための解釈可能な注意マップを提供する。
深層学習手法をRCC予測に適用する際の限界と今後の方向性についても論じる。
関連論文リスト
- Knowledge-aware Graph Transformer for Pedestrian Trajectory Prediction [15.454206825258169]
歩行者運動軌跡の予測は、自動運転車の経路計画と移動制御に不可欠である。
近年の深層学習に基づく予測手法は、主に軌跡履歴や歩行者間の相互作用などの情報を利用する。
本稿では,予測性能を向上させるためのグラフトランス構造を提案する。
論文 参考訳(メタデータ) (2024-01-10T01:50:29Z) - Anchoring Path for Inductive Relation Prediction in Knowledge Graphs [69.81600732388182]
APSTはAPとCPを統一されたSentence Transformerアーキテクチャの入力として扱う。
我々は3つの公開データセット上でAPSTを評価し、36のトランスダクティブ、インダクティブ、および数ショットの実験的設定のうち30の最先端(SOTA)性能を達成する。
論文 参考訳(メタデータ) (2023-12-21T06:02:25Z) - PMU measurements based short-term voltage stability assessment of power
systems via deep transfer learning [2.1303885995425635]
本稿では, 深層移動学習を用いた新しいファサー計測ユニット (PMU) を用いたSTVSA法を提案する。
サンプルラベリングには時間的アンサンブルを採用し、データ拡張には最小2乗生成逆数ネットワーク(LSGAN)を使用している。
IEEE 39-busテストシステムの実験結果から,提案手法は伝達学習によるモデル評価精度を約20%向上することを示した。
論文 参考訳(メタデータ) (2023-08-07T23:44:35Z) - ASR: Attention-alike Structural Re-parameterization [56.88192537044364]
本稿では,アテンション機構の有効性を享受しながら,与えられたネットワークに対してSRPを実現するための,シンプルなアテンション型構造的再パラメータ化(ASR)を提案する。
本稿では,統計的観点から広範囲にわたる実験を行い,Stripe Observationという興味深い現象を発見し,チャネル注意値が訓練中に一定のベクトルに素早く接近することを明らかにする。
論文 参考訳(メタデータ) (2023-04-13T08:52:34Z) - Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。
シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
論文 参考訳(メタデータ) (2022-03-25T19:57:19Z) - Adversarial Gradient Driven Exploration for Deep Click-Through Rate
Prediction [39.61776002290324]
textbfAdrial textbfGradientversa Driven textbfExploration (AGE) と呼ばれる新しい探索手法を提案する。
AGEは勾配更新プロセスをシミュレートし、モデルに対する探索項目のサンプルの影響を近似することができる。
本手法の有効性を,オープンアクセス学術データセットで実証した。
論文 参考訳(メタデータ) (2021-12-21T12:13:07Z) - CC-Cert: A Probabilistic Approach to Certify General Robustness of
Neural Networks [58.29502185344086]
安全クリティカルな機械学習アプリケーションでは、モデルを敵の攻撃から守ることが不可欠である。
意味的に意味のある入力変換に対して、ディープラーニングモデルの証明可能な保証を提供することが重要である。
我々はChernoff-Cramer境界に基づく新しい普遍確率的証明手法を提案する。
論文 参考訳(メタデータ) (2021-09-22T12:46:04Z) - Transforming Feature Space to Interpret Machine Learning Models [91.62936410696409]
この貢献は、特徴空間変換のレンズを通して機械学習モデルを解釈する新しいアプローチを提案する。
非条件的および条件付きポストホック診断ツールの拡張に使用できる。
提案手法の可能性を実証するために,46特徴のリモートセンシング土地被覆分類の事例研究を行った。
論文 参考訳(メタデータ) (2021-04-09T10:48:11Z) - Adaptive Meta-Learning for Identification of Rover-Terrain Dynamics [0.0]
ローバーは安全と効率を最大化する軌道を計画するために地形の知識を必要とする。
高標高の地形分類は、ローバーが予想外の砂トラップで立ち往生するのを防ぐには不十分である。
オンラインのローバー・テランの相互作用データを利用して将来のダイナミクスを正確に予測し、ローバーのさらなる損傷を防ぐことができる。
論文 参考訳(メタデータ) (2020-09-21T21:56:44Z) - Towards Interpretable Deep Learning Models for Knowledge Tracing [62.75876617721375]
本稿では,深層学習に基づく知識追跡(DLKT)モデルの解釈可能性問題に対処するポストホック手法を提案する。
具体的には、RNNに基づくDLKTモデルを解釈するために、レイヤワイズ関連伝搬法(LRP)を適用することに焦点をあてる。
実験結果から,DLKTモデルの予測をLRP法で解釈できることを示す。
論文 参考訳(メタデータ) (2020-05-13T04:03:21Z) - Deep Learning Framework for Detecting Ground Deformation in the Built
Environment using Satellite InSAR data [7.503635457124339]
我々は、全国規模の速度場における変形を検出するために、事前訓練された畳み込みニューラルネットワーク(CNN)を適用した。
我々は、以前特定された変形が石炭採掘、地下水流出、地すべり、トンネル掘削と関係している英国に焦点を当てる。
本研究は, 自動地動解析システムの開発に提案手法が適用可能であることを示すものである。
論文 参考訳(メタデータ) (2020-05-07T03:14:00Z)
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。