論文の概要: Deciphering Acoustic Emission with Machine Learning
- arxiv url: http://arxiv.org/abs/2411.17755v1
- Date: Mon, 25 Nov 2024 22:34:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-28 15:25:04.274637
- Title: Deciphering Acoustic Emission with Machine Learning
- Title（参考訳）: 機械学習によるアコースティックエミッションの解読
- Authors: Dénes Berta, Balduin Katzer, Katrin Schulz, Péter Dusán Ispánovity,
- Abstract要約: マイクロピラー圧縮試験における変位雪崩の微視的詳細を推定できる機械学習に基づく手法を提案する。
機械学習アプローチでは,様々な記述子が利用されており,予測における重要性が分析されている。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Acoustic emission signals have been shown to accompany avalanche-like events in materials, such as dislocation avalanches in crystalline solids, collapse of voids in porous matter or domain wall movement in ferroics. The data provided by acoustic emission measurements is tremendously rich, but it is rather challenging to precisely connect it to the characteristics of the triggering avalanche. In our work we propose a machine learning based method with which one can infer microscopic details of dislocation avalanches in micropillar compression tests from merely acoustic emission data. As it is demonstrated in the paper, this approach is suitable for the prediction of the force-time response as it can provide outstanding prediction for the temporal location of avalanches and can also predict the magnitude of individual deformation events. Various descriptors (including frequency dependent and independent ones) are utilised in our machine learning approach and their importance in the prediction is analysed. The transferability of the method to other specimen sizes is also demonstrated and the possible application in more generic settings is discussed.
- Abstract（参考訳）: 結晶性固体の転位雪崩、多孔質物質の空隙の崩壊、強磁性体のドメイン壁運動などの材料において、音響放射信号は雪崩のような事象を伴うことが示されている。
アコースティック・エミッションの測定によって得られたデータは極めて豊富であるが、トリガーする雪崩の特徴と正確に結びつけることは比較的困難である。
本研究では, マイクロピラー圧縮試験における変位雪崩の微視的詳細を, 単に音響放射データから推測できる機械学習に基づく手法を提案する。
本稿で示すように, この手法はアバランチの時間的位置の予測に適しており, 個々の変形事象の大きさを予測できる。
各種記述子(周波数依存型および独立型を含む)を機械学習アプローチで利用し,その予測における重要性を分析した。
また, 本手法の他の検体サイズへの移動可能性も示し, より汎用的な設定における適用の可能性について論じる。
関連論文リスト
- Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2024-03-11T16:22:41Z) - Stochastic force inference via density estimation [0.9208007322096533]
本稿では, 自律非線形力場を推定するために, 基礎となる拡散過程に付随する確率フローに依存する手法を提案する。
本手法は,非定常データから非保守的な力を引き出すことができ,定常データに適用した場合に平衡力学を学習し,加法的および乗法的ノイズモデルの両方でそれを行うことができることを示す。
論文 参考訳（メタデータ） (2023-10-03T18:42:59Z) - How adversarial attacks can disrupt seemingly stable accurate classifiers [76.95145661711514]
敵攻撃は、入力データに不連続な修正を加えることで、非正確な学習システムの出力を劇的に変化させる。
ここでは,これは高次元入力データを扱う分類器の基本的特徴であると考えられる。
実用システムで観測される重要な振る舞いを高い確率で発生させる、単純で汎用的なフレームワークを導入する。
論文 参考訳（メタデータ） (2023-09-07T12:02:00Z) - Extracting electromagnetic signatures of spacetime fluctuations [0.0]
我々は、時空距離のゆらぎが電磁放射に与える影響を明らかにするフォーマリズムを示す。
本稿では,真空の屈折率のランダムなゆらぎとして現れる時空変動のモデルを提案する。
干渉計が感度の高い周波数で信号が現れると、時空変動の強度とスケールが制約されることが示される。
論文 参考訳（メタデータ） (2023-06-30T14:43:29Z) - Inverse Dynamics Pretraining Learns Good Representations for Multitask
Imitation [66.86987509942607]
このようなパラダイムを模倣学習でどのように行うべきかを評価する。
本稿では,事前学習コーパスがマルチタスクのデモンストレーションから成り立つ環境について考察する。
逆動力学モデリングはこの設定に適していると主張する。
論文 参考訳（メタデータ） (2023-05-26T14:40:46Z) - Novel features for the detection of bearing faults in railway vehicles [88.89591720652352]
我々は,Mel-Frequency Cepstral Coefficients (MFCCs) とAmplitude Modulation Spectrogram (AMS) から抽出した特徴を,軸受欠陥の検出のための特徴として紹介する。
論文 参考訳（メタデータ） (2023-04-14T10:09:50Z) - Posterior sampling with CNN-based, Plug-and-Play regularization with
applications to Post-Stack Seismic Inversion [0.0]
不確かさの定量化は、反転結果に関する貴重な情報を提供することができるため、逆問題に不可欠である。
本稿では,CNNに基づくデノイザを用いて,Kulback-Leibler分散損失を暗黙的に正規化することにより,後部推論を行うフレームワークを提案する。
我々はこのアルゴリズムをPlug-and-Play Stein Vari-SVGDと呼び、高解像度で信頼性の高いサンプルを作成する能力を示す。
論文 参考訳（メタデータ） (2022-12-30T08:20:49Z) - Emergence of a stochastic resonance in machine learning [0.0]
トレーニングデータにノイズを注入することで,状態変数の短期的予測とシステムアトラクターの長期的予測の両方に有意な利益をもたらす共鳴が生じることが判明した。
論文 参考訳（メタデータ） (2022-11-15T18:15:43Z) - Unveil the unseen: Exploit information hidden in noise [0.0]
予測を改善するため,ノイズ自体から重要な情報を抽出する機械学習アーキテクチャを開発した。
この定式化をPbZr$_0.7$Sn$_0.3$O$_3$クリスタルに適用し、誘電率の不確かさを利用して熱容量を外挿する。
論文 参考訳（メタデータ） (2022-09-17T17:43:57Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳（メタデータ） (2022-02-07T21:37:29Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z)
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。