論文の概要: Transformer-Based Deep Learning Model for Bored Pile Load-Deformation
Prediction in Bangkok Subsoil
- arxiv url: http://arxiv.org/abs/2312.03041v1
- Date: Tue, 5 Dec 2023 15:54:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-07 17:16:24.513245
- Title: Transformer-Based Deep Learning Model for Bored Pile Load-Deformation
Prediction in Bangkok Subsoil
- Title(参考訳): 変圧器型深層学習モデルによるバンコク地下地盤のボーリングパイル荷重変形予測
- Authors: Sompote Youwai and Chissanupong Thongnoo
- Abstract要約: モデルは、土壌プロファイルと杭の特徴をトークン化入力として符号化し、負荷変形曲線を出力として生成する。
このモデルは、負荷変形曲線予測に十分な精度と一般化能力を示し、平均絶対誤差はテストデータに対して5.72%である。
- 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 presents a novel deep learning model based on the transformer
architecture to predict the load-deformation behavior of large bored piles in
Bangkok subsoil. The model encodes the soil profile and pile features as
tokenization input, and generates the load-deformation curve as output. The
model also incorporates the previous sequential data of load-deformation curve
into the decoder to improve the prediction accuracy. The model also
incorporates the previous sequential data of load-deformation curve into the
decoder. The model shows a satisfactory accuracy and generalization ability for
the load-deformation curve prediction, with a mean absolute error of 5.72% for
the test data. The model could also be used for parametric analysis and design
optimization of piles under different soil and pile conditions, pile cross
section, pile length and type of pile.
- Abstract(参考訳): 本稿では,バンコク低地における大規模ボーリングパイルの荷重-変形挙動を予測するためのトランスフォーマーアーキテクチャに基づく新しい深層学習モデルを提案する。
モデルは、土壌プロファイルと杭の特徴をトークン化入力として符号化し、負荷変形曲線を出力として生成する。
このモデルはまた、前回のロード変形曲線のシーケンシャルデータをデコーダに組み込んで予測精度を向上させる。
このモデルは、ロード・デフォーメーション曲線の以前のシーケンシャルなデータをデコーダに組み込む。
このモデルでは負荷変形曲線予測の精度と一般化が良好であり、テストデータの平均絶対誤差は5.72%である。
モデルはまた, 異なる土壌, 杭条件, 杭断面, 杭長さ, タイプの杭のパラメトリック解析および設計最適化にも利用できる。
関連論文リスト
- Scaling and renormalization in high-dimensional regression [70.9098740785845]
本稿では,様々な高次元リッジ回帰モデルの訓練および一般化性能の簡潔な導出について述べる。
本稿では,物理と深層学習の背景を持つ読者を対象に,これらのトピックに関する最近の研究成果の紹介とレビューを行う。
論文 参考訳(メタデータ) (2024-05-01T15:59:00Z) - Physics-integrated generative modeling using attentive planar normalizing flow based variational autoencoder [0.0]
本研究の目的は,物理統合生成モデルにおける再構成の忠実さとノイズの改善である。
モデルに注入されたノイズに対する生成モデルのロバスト性を改善するため,正規化フローベースVAEのエンコーダ部分の変更を提案する。
論文 参考訳(メタデータ) (2024-04-18T15:38:14Z) - 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) - Gradient-flow adaptive importance sampling for Bayesian leave one out
cross-validation for sigmoidal classification models [1.0485739694839669]
勾配流誘導適応的重要度サンプリング(IS)変換は、ベイズ分類モデルに対する点幅のモンテカルロ近似を安定させる。
我々は,ロジスティック回帰と浅部ReLU活性化人工ニューラルネットワークの場合において,ヤコビ行列式の正則式を導出する。
論文 参考訳(メタデータ) (2024-02-13T01:03:39Z) - EquiDiff: A Conditional Equivariant Diffusion Model For Trajectory
Prediction [11.960234424309265]
本研究では,将来の車両軌道予測のための深部生成モデルであるEquiDiffを提案する。
EquiDiffは、過去の情報とランダムなガウスノイズを組み込んで将来の軌跡を生成する条件拡散モデルに基づいている。
以上の結果から,EquiDiffは短期予測では他のベースラインモデルよりも優れているが,長期予測では誤差が若干高いことがわかった。
論文 参考訳(メタデータ) (2023-08-12T13:17:09Z) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳(メタデータ) (2023-06-14T11:41:42Z) - Quantifying Model Predictive Uncertainty with Perturbation Theory [21.591460685054546]
本稿では,ニューラルネットワークの予測不確実性定量化のためのフレームワークを提案する。
量子物理学の摂動理論を用いてモーメント分解問題を定式化する。
我々の手法は、より高精度でキャリブレーションの高い高速なモデル予測不確実性推定を提供する。
論文 参考訳(メタデータ) (2021-09-22T17:55:09Z) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳(メタデータ) (2021-06-17T00:49:55Z) - Robust Data-Driven Error Compensation for a Battery Model [0.0]
今日の大量のバッテリデータは、より正確で信頼性の高いシミュレーションにはまだ使われていません。
データ駆動型エラーモデルを導入し、既存の物理的動機付けモデルを強化します。
ニューラルネットワークは、既存の動的エラーを補償し、基礎となるデータの記述に基づいてさらに制限される。
論文 参考訳(メタデータ) (2020-12-31T16:11:36Z) - Learning to predict metal deformations in hot-rolling processes [59.00006390882099]
ホットローリング(Hot-rolling)は、入力から一連の変形を通じて断面を生成する金属成形プロセスである。
現状では、ロールの回転列と形状は、与えられた断面を達成するために必要である。
そこで本研究では,一組のロールが与えられた形状を予測するための教師付き学習手法を提案する。
論文 参考訳(メタデータ) (2020-07-22T13:33:44Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳(メタデータ) (2020-06-19T05:08:43Z)
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。