Fugu-MT 論文翻訳(概要): An Interpretable ML-based Model for Predicting p-y Curves of Monopile Foundations in Sand

論文の概要: An Interpretable ML-based Model for Predicting p-y Curves of Monopile Foundations in Sand

arxiv url: http://arxiv.org/abs/2501.06232v1
Date: Wed, 08 Jan 2025 03:00:34 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-14 20:44:00.825458
Title: An Interpretable ML-based Model for Predicting p-y Curves of Monopile Foundations in Sand
Title（参考訳）: 砂中のモノパイル基礎のp-y曲線予測のための解釈可能なMLモデル
Authors: Biao Li, Qing-Kai Song, Wen-Gang Qi, Fu-Ping Gao,
Abstract要約: 本研究では,モノパイル基礎のp-y曲線を予測するための解釈可能な機械学習モデルを開発した。その結果,モデルが予測精度に優れていたことが示唆された。
参考スコア（独自算出の注目度）: 5.0649910056131775
License:
Abstract: Predicting the lateral pile response is challenging due to the complexity of pile-soil interactions. Machine learning (ML) techniques have gained considerable attention for their effectiveness in non-linear analysis and prediction. This study develops an interpretable ML-based model for predicting p-y curves of monopile foundations. An XGBoost model was trained using a database compiled from existing research. The results demonstrate that the model achieves superior predictive accuracy. Shapley Additive Explanations (SHAP) was employed to enhance interpretability. The SHAP value distributions for each variable demonstrate strong alignment with established theoretical knowledge on factors affecting the lateral response of pile foundations.
Abstract（参考訳）: 杭-土間相互作用の複雑化により, 横杭応答の予測は困難である。機械学習(ML)技術は、非線形解析と予測においてその有効性に大きな注目を集めている。本研究では,モノパイル基礎のp-y曲線を予測するための解釈可能なMLモデルを開発した。 XGBoostモデルは、既存の研究からコンパイルされたデータベースを使用して訓練された。その結果,モデルが予測精度に優れていたことが示唆された。解釈可能性を高めるためにShapley Additive Explanations (SHAP)が採用された。各変数のSHAP値分布は,杭基礎の側面応答に影響を与える因子に関する確立した理論的知識と強く一致している。

関連論文リスト

Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
拡散モデルは、生成的モデリングに大きな進歩をもたらした。しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。これらの課題に対処するための影響関数フレームワークを開発する。
論文参考訳（メタデータ） (2024-10-17T17:59:02Z)
Unraveling overoptimism and publication bias in ML-driven science [14.38643099447636]
最近の研究では、機械学習モデルのパフォーマンスが過度に最適化されていることが示唆されている。本稿では,パラメトリック学習曲線と前述のバイアスを統合することで,観測精度の新たなモデルを提案する。神経学的条件の分類のメタ分析にモデルを適用し、各領域におけるMLに基づく予測の固有の限界を推定する。
論文参考訳（メタデータ） (2024-05-23T10:43:20Z)
Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文参考訳（メタデータ） (2023-09-02T01:27:53Z)
SLEM: Machine Learning for Path Modeling and Causal Inference with Super Learner Equation Modeling [3.988614978933934]
因果推論は科学の重要な目標であり、研究者は観測データを使って意味のある結論に達することができる。経路モデル、構造方程式モデル(SEM)および指向非巡回グラフ(DAG)は、現象の根底にある因果構造に関する仮定を明確に特定する手段を提供する。本稿では,機械学習のスーパーラーナーアンサンブルを統合したパスモデリング手法であるSuper Learner Equation Modelingを提案する。
論文参考訳（メタデータ） (2023-08-08T16:04:42Z)
Measuring Causal Effects of Data Statistics on Language Model's `Factual' Predictions [59.284907093349425]
大量のトレーニングデータが、最先端のNLPモデルの高性能化の大きな理由の1つである。トレーニングデータがどのように予測に影響を及ぼすかを記述するための言語を,因果的フレームワークを通じて提供する。我々のフレームワークは、高価なモデルの再訓練の必要性を回避し、観測データのみに基づいて因果効果を推定することができる。
論文参考訳（メタデータ） (2022-07-28T17:36:24Z)
Robust Output Analysis with Monte-Carlo Methodology [0.0]
シミュレーションや機械学習を用いた予測モデリングでは,推定値の品質を正確に評価することが重要である。モンテカルロサンプリングのレンズによるシミュレーションと機械学習の出力の統一的な出力分析フレームワークを提案する。
論文参考訳（メタデータ） (2022-07-27T16:21:59Z)
How robust are pre-trained models to distribution shift? [82.08946007821184]
自己教師付き学習(SSL)と自己エンコーダベースモデル(AE)の相互関係が相互関係に与える影響を示す。本研究では, 線形ヘッドの潜在バイアスから事前学習したモデルの性能を分離するために, アウト・オブ・ディストリビューション(OOD)データに基づいて訓練された線形ヘッドを用いた新しい評価手法を開発した。
論文参考訳（メタデータ） (2022-06-17T16:18:28Z)
On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
論文参考訳（メタデータ） (2022-06-09T17:12:32Z)
Causality and Generalizability: Identifiability and Learning Methods [0.0]
この論文は、因果効果の推定、因果構造学習、および分布的に堅牢な予測方法に関する研究領域に寄与する。本稿では,データ依存平均二乗予測誤差正規化を用いた機器変数設定における線形・非線形因果関係推定器について述べる。本稿では,介入誘起分布に関する分布ロバスト性に関する一般的な枠組みを提案する。
論文参考訳（メタデータ） (2021-10-04T13:12:11Z)
Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
論文参考訳（メタデータ） (2021-06-07T17:47:16Z)
Surrogate Locally-Interpretable Models with Supervised Machine Learning Algorithms [8.949704905866888]
近年,従来の統計的手法よりも予測性能が優れているため,機械学習アルゴリズムが普及している。主な焦点は解釈可能性であり、結果として得られるサロゲートモデルは、合理的に優れた予測性能を持つ。
論文参考訳（メタデータ） (2020-07-28T23:46:16Z)

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。