論文の概要: DeepOFormer: Deep Operator Learning with Domain-informed Features for Fatigue Life Prediction

• arxiv url: http://arxiv.org/abs/2503.22475v1
• Date: Fri, 28 Mar 2025 14:34:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-31 15:28:36.683032
• Title: DeepOFormer: Deep Operator Learning with Domain-informed Features for Fatigue Life Prediction
• Title（参考訳）: DeepOFormer: 疲労寿命予測のためのドメインインフォーム機能を備えた深層演算子学習
• Authors: Chenyang Li, Tanmay Sunil Kapure, Prokash Chandra Roy, Zhengtao Gan, Bo Shen,
• Abstract要約: 機械学習とディープラーニングは、疲労寿命予測に有望な結果を提供する。 演算子学習問題としてS-N曲線予測を定式化してDeepOFormerを提案する。 DeepOFormerは0.9515のR2、平均絶対誤差0.2080、平均相対誤差0.5077を達成し、最先端の深層/機械的学習法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 6.3828011096476525
• License:
• Abstract: Fatigue life characterizes the duration a material can function before failure under specific environmental conditions, and is traditionally assessed using stress-life (S-N) curves. While machine learning and deep learning offer promising results for fatigue life prediction, they face the overfitting challenge because of the small size of fatigue experimental data in specific materials. To address this challenge, we propose, DeepOFormer, by formulating S-N curve prediction as an operator learning problem. DeepOFormer improves the deep operator learning framework with a transformer-based encoder and a mean L2 relative error loss function. We also consider Stussi, Weibull, and Pascual and Meeker (PM) features as domain-informed features. These features are motivated by empirical fatigue models. To evaluate the performance of our DeepOFormer, we compare it with different deep learning models and XGBoost on a dataset with 54 S-N curves of aluminum alloys. With seven different aluminum alloys selected for testing, our DeepOFormer achieves an R2 of 0.9515, a mean absolute error of 0.2080, and a mean relative error of 0.5077, significantly outperforming state-of-the-art deep/machine learning methods including DeepONet, TabTransformer, and XGBoost, etc. The results highlight that our Deep0Former integrating with domain-informed features substantially improves prediction accuracy and generalization capabilities for fatigue life prediction in aluminum alloys.
• Abstract（参考訳）: 疲労寿命は、物質が特定の環境条件下で失敗する前に機能しうる期間を特徴付け、伝統的にストレスライフ(S-N)曲線を用いて評価される。 機械学習とディープラーニングは疲労寿命予測に有望な結果をもたらすが、特定の材料の疲労実験データが少ないため、過度に適合する課題に直面している。 この課題に対処するために,S-N曲線予測を演算子学習問題として定式化し,DeepOFormerを提案する。 DeepOFormerは、トランスフォーマーベースのエンコーダと平均L2相対誤差損失関数を用いて、Deep演算子学習フレームワークを改善した。 Stussi、Weibull、Pascual、Meeker(PM)もドメインインフォームド機能だと考えています。 これらの特徴は経験的疲労モデルによって動機付けられている。 DeepOFormerの性能を評価するため、アルミニウム合金の54S-N曲線のデータセット上で、異なるディープラーニングモデルとXGBoostを比較した。 DeepOFormerは7種類のアルミニウム合金を試験用に選択し、R2は0.9515、平均絶対誤差は0.2080、平均相対誤差は0.5077、DeepONet、TabTransformer、XGBoostといった最先端の深層/機械学習方法よりも大幅に優れています。 その結果、Deep0Formerとドメインインフォームド機能を統合することで、アルミニウム合金の疲労寿命予測の予測精度と一般化能力が大幅に向上することがわかった。

関連論文リスト

• Alpha-VI DeepONet: A prior-robust variational Bayesian approach for enhancing DeepONets with uncertainty quantification [0.0]
  一般化変分推論(GVI)を組み込んだ新しいディープオペレータネットワーク(DeepONet)を提案する。 分岐ネットワークとトランクネットワークのビルディングブロックとしてベイズニューラルネットワークを組み込むことで,不確実な定量化が可能なDeepONetを実現する。 変動目的関数の修正は平均二乗誤差を最小化する点で優れた結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-08-01T16:22:03Z)
• Adaptive Learning for Multi-view Stereo Reconstruction [6.635583283522551]
  まず,深度に基づくMVS手法において,既存の損失関数の特性を解析する。 そこで我々は,真と予測される深さの確率分布の違いを狭めることができる適応ワッサースタイン損失という新しい損失関数を提案する。 DTU, Tanks and Temples, BlendedMVS などの異なるベンチマーク実験により,適応的なワッサーシュタイン損失とオフセットモジュールを用いた提案手法が最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-04-08T04:13:35Z)
• Towards Causal Deep Learning for Vulnerability Detection [31.59558109518435]
  ソフトウェア工学モデルに計算に基づく因果学習を導入する。 以上の結果から,CausalVulはモデル精度,ロバスト性,OOD性能を一貫して改善した。
  論文  参考訳（メタデータ） (2023-10-12T00:51:06Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• Empirical Study of Overfitting in Deep FNN Prediction Models for Breast Cancer Metastasis [0.0]
  オーバーフィッティングは、現在のモデルが特定のデータセットに完全に適合し、結果として一般化が弱まるという事実である。 本研究では,乳がん転移に関するEHRデータセットを用いて,深層フィードフォワードニューラルネットワーク(FNN)予測モデルのオーバーフィットについて検討した。
  論文  参考訳（メタデータ） (2022-08-03T15:36:12Z)
• Robust Depth Completion with Uncertainty-Driven Loss Functions [60.9237639890582]
  本研究では,不確実性による損失関数を導入し,深度補修の堅牢性を改善し,深度補修の不確実性に対処する。 提案手法は,KITTI深度評価ベンチマークでテストされ,MAE, IMAE, IRMSEの計測値を用いて最先端のロバスト性性能を達成した。
  論文  参考訳（メタデータ） (2021-12-15T05:22:34Z)
• On Efficient Uncertainty Estimation for Resource-Constrained Mobile Applications [0.0]
  予測の不確実性は、モデル予測を補完し、下流タスクの機能を改善します。 Axolotlフレームワークを用いてモンテカルロ・ドロップアウト(MCDO)モデルを構築することでこの問題に対処する。 我々は,(1)CIFAR10データセットを用いた多クラス分類タスク,(2)より複雑な人体セグメンテーションタスクについて実験を行った。
  論文  参考訳（メタデータ） (2021-11-11T22:24:15Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)
• Faster Depth-Adaptive Transformers [71.20237659479703]
  深さ適応型ニューラルネットワークは入力単語の硬さに応じて動的に深さを調整することができる。 従来の作業は一般的に、計算が各レイヤで続行するか停止するかを決定するために停止ユニットを構築する。 本稿では,停止ユニットを除去し,必要な深さを事前に推定し,より高速な深度適応モデルを生成する。
  論文  参考訳（メタデータ） (2020-04-27T15:08:10Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。