論文の概要: Predictive Modeling and Uncertainty Quantification of Fatigue Life in Metal Alloys using Machine Learning
- arxiv url: http://arxiv.org/abs/2501.15057v1
- Date: Sat, 25 Jan 2025 03:43:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-28 13:54:24.190466
- Title: Predictive Modeling and Uncertainty Quantification of Fatigue Life in Metal Alloys using Machine Learning
- Title(参考訳): 機械学習を用いた金属合金の疲労寿命予測モデルと不確かさ定量化
- Authors: Jiang Chang, Deekshith Basvoju, Aleksandar Vakanski, Indrajit Charit, Min Xian,
- Abstract要約: 本研究では, 金属材料の疲労寿命予測における定量化の不確実性について紹介する。
提案手法は,バスキーンの疲労モデルを用いて推定した物理式に基づく入力特徴を用いる。
物理モデルとデータ駆動モデルとの相乗効果により、予測値の一貫性が向上する。
- 参考スコア(独自算出の注目度): 39.58317527488534
- License:
- Abstract: Recent advancements in machine learning-based methods have demonstrated great potential for improved property prediction in material science. However, reliable estimation of the confidence intervals for the predicted values remains a challenge, due to the inherent complexities in material modeling. This study introduces a novel approach for uncertainty quantification in fatigue life prediction of metal materials based on integrating knowledge from physics-based fatigue life models and machine learning models. The proposed approach employs physics-based input features estimated using the Basquin fatigue model to augment the experimentally collected data of fatigue life. Furthermore, a physics-informed loss function that enforces boundary constraints for the estimated fatigue life of considered materials is introduced for the neural network models. Experimental validation on datasets comprising collected data from fatigue life tests for Titanium alloys and Carbon steel alloys demonstrates the effectiveness of the proposed approach. The synergy between physics-based models and data-driven models enhances the consistency in predicted values and improves uncertainty interval estimates.
- Abstract(参考訳): 機械学習に基づく手法の最近の進歩は、材料科学における特性予測の改善に大きな可能性を示している。
しかし, 物質モデルに固有の複雑さのため, 予測値に対する信頼区間の信頼性評価は依然として困難である。
本研究は, 物理に基づく疲労寿命モデルと機械学習モデルからの知識の統合に基づく, 金属材料の疲労寿命予測の不確実性定量化手法を提案する。
提案手法は,バスキーンの疲労モデルを用いて推定した物理量に基づく入力特性を用いて,実験で収集した疲労寿命のデータを増大させる。
さらに、ニューラルネットワークモデルに対して、検討対象材料の疲労寿命を推定する境界制約を強制する物理インフォームド損失関数を導入する。
チタン合金および炭素鋼合金の疲労寿命試験から収集したデータからなるデータセットの実験的検証により,提案手法の有効性が示された。
物理モデルとデータ駆動モデルとの相乗効果は予測値の一貫性を高め、不確実区間推定を改善する。
関連論文リスト
- Learning Smooth and Expressive Interatomic Potentials for Physical Property Prediction [3.3974034548879213]
本稿では,分子動力学シミュレーションにおけるエネルギー保存の実践的能力に基づいて,機械学習の原子間ポテンシャルをテストすることを提案する。
我々は、このテストに失敗したモデルにつながる可能性のある選択を特定し、これらの観察を使用して高表現率モデルを改善する。
結果のモデルであるeSENは、様々な物理的特性予測タスクに関する最先端の結果を提供する。
論文 参考訳(メタデータ) (2025-02-17T18:57:32Z) - On the Robustness of Machine Learning Models in Predicting Thermodynamic Properties: a Case of Searching for New Quasicrystal Approximants [0.0]
この研究では、準結晶データセットのネストした金属間近似を合成し、それらの上で様々な機械学習モデルを訓練した。
我々の質的かつより重要なことは、予測の違いを定量的に評価することで、トレーニングサンプルの異なる合理的な変化が、予測される新しい物質の全く異なるセットにつながることを明らかに示しています。
また,プレトレーニングの利点を示し,安定度を高めるためのシーケンシャルトレーニングの簡易かつ効果的な手法を提案した。
論文 参考訳(メタデータ) (2024-10-02T12:54:21Z) - Out-of-distribution materials property prediction using adversarial learning based fine-tuning [0.0]
本稿では,特定のデータセットに適応させるための微調整アプローチをターゲットとした逆学習を提案する。
実験では,限られたサンプルを持つMLにおいて,CALアルゴリズムの成功を高い有効性で実証した。
論文 参考訳(メタデータ) (2024-08-17T21:22:21Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳(メタデータ) (2024-07-18T15:44:23Z) - Discovering High-Strength Alloys via Physics-Transfer Learning [1.2438700252649395]
ピエルス応力は、塑性流動に対する転位抵抗を評価して材料強度を測定する。
本稿では、力場シミュレーションで訓練されたニューラルネットワークを利用して結晶の塑性物理を理解するためのデータ駆動フレームワークを提案する。
論文 参考訳(メタデータ) (2024-03-12T11:05:05Z) - On Data Imbalance in Molecular Property Prediction with Pre-training [16.211138511816642]
プレトレーニングと呼ばれるテクニックは、機械学習モデルの精度を向上させるために使用される。
事前トレーニングでは、対象タスクでモデルをトレーニングする前に、対象タスクとは異なるプレテキストタスクでモデルをトレーニングする。
本研究では,入力データの不均衡に対処する効果的な事前学習手法を提案する。
論文 参考訳(メタデータ) (2023-08-17T12:04:14Z) - Robustness in Fatigue Strength Estimation [61.85933973929947]
本稿では,疲労強度推定のためのモジュール型機械学習によるアプローチについて検討する。
その可能性が高いにもかかわらず、現実の研究室に新しいアプローチを配置するには、理論的な定義とシミュレーション以上のものが必要である。
我々は、その適用性と最先端手法に対する有利な振る舞いを特定し、コストのかかる実験の数を減少させる可能性がある。
論文 参考訳(メタデータ) (2022-12-02T12:30:29Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - Predictive modeling approaches in laser-based material processing [59.04160452043105]
本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。
その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。
結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
論文 参考訳(メタデータ) (2020-06-13T17:28:52Z)
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。