論文の概要: SIFBench: An Extensive Benchmark for Fatigue Analysis

• arxiv url: http://arxiv.org/abs/2506.01173v2
• Date: Mon, 09 Jun 2025 15:46:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.173336
• Title: SIFBench: An Extensive Benchmark for Fatigue Analysis
• Title（参考訳）: SIFBench: 疲労解析のための広範囲なベンチマーク
• Authors: Tushar Gautam, Robert M. Kirby, Jacob Hochhalter, Shandian Zhe,
• Abstract要約: 機械学習はストレス強度因子(SIF)の予測に大きな可能性を示している SIFBenchはMLベースのSIF予測をサポートするために設計されたオープンソースの大規模ベンチマークデータベースである。 SIFBenchは、500万以上の異なるクラックと、高忠実度有限要素シミュレーションから派生したコンポーネントジオメトリを含んでいる。
• 参考スコア（独自算出の注目度）: 20.941908494137806
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fatigue-induced crack growth is a leading cause of structural failure across critical industries such as aerospace, civil engineering, automotive, and energy. Accurate prediction of stress intensity factors (SIFs) -- the key parameters governing crack propagation in linear elastic fracture mechanics -- is essential for assessing fatigue life and ensuring structural integrity. While machine learning (ML) has shown great promise in SIF prediction, its advancement has been severely limited by the lack of rich, transparent, well-organized, and high-quality datasets. To address this gap, we introduce SIFBench, an open-source, large-scale benchmark database designed to support ML-based SIF prediction. SIFBench contains over 5 million different crack and component geometries derived from high-fidelity finite element simulations across 37 distinct scenarios, and provides a unified Python interface for seamless data access and customization. We report baseline results using a range of popular ML models -- including random forests, support vector machines, feedforward neural networks, and Fourier neural operators -- alongside comprehensive evaluation metrics and template code for model training, validation, and assessment. By offering a standardized and scalable resource, SIFBench substantially lowers the entry barrier and fosters the development and application of ML methods in damage tolerance design and predictive maintenance.
• Abstract（参考訳）: 疲労によるひび割れの進展は、航空宇宙、土木工学、自動車、エネルギーといった重要な産業における構造的故障の原因となっている。 応力強度因子(SIF)の正確な予測 -- 線形弾性破壊力学におけるき裂伝播を規定するキーパラメータ -- は、疲労寿命の評価と構造的整合性の確保に不可欠である。 機械学習(ML)は、SIF予測において大きな可能性を示してきたが、その進歩は、豊かで透明で、適切に編成された、高品質なデータセットの欠如によって著しく制限された。 このギャップに対処するために、MLベースのSIF予測をサポートするために設計されたオープンソースの大規模ベンチマークデータベースであるSIFBenchを紹介する。 SIFBenchには、37の異なるシナリオにわたる高忠実度有限要素シミュレーションから派生した500万以上の異なるクラックとコンポーネントのジオメトリが含まれており、シームレスなデータアクセスとカスタマイズのための統一されたPythonインターフェースを提供する。 ランダムフォレスト、サポートベクターマシン、フィードフォワードニューラルネットワーク、フーリエニューラル演算子など、さまざまな一般的なMLモデルを使用してベースライン結果を報告し、モデルトレーニング、検証、評価のための総合的な評価指標とテンプレートコードについて報告する。 標準化されたスケーラブルなリソースを提供することで、SIFBenchはエントリバリアを大幅に低くし、損傷耐性設計と予測保守におけるMLメソッドの開発と適用を促進する。

関連論文リスト

• Diffusion Factor Models: Generating High-Dimensional Returns with Factor Structure [13.929007993061564]
  本稿では,潜在因子構造を生成拡散過程に統合する拡散因子モデルを提案する。 資産返却に固有の低次元因子構造を利用してスコア関数を分解する。 我々は厳密な統計的保証を導き,両スコア推定のための漸近誤差境界を確立する。
  論文  参考訳（メタデータ） (2025-04-09T04:01:35Z)
• Model Hemorrhage and the Robustness Limits of Large Language Models [119.46442117681147]
  大規模言語モデル(LLM)は、自然言語処理タスク全体で強力なパフォーマンスを示すが、デプロイメント用に修正された場合、大幅なパフォーマンス低下を経験する。 この現象をモデル出血(パラメータ変更とアーキテクチャ変更によるパフォーマンス低下)と定義する。
  論文  参考訳（メタデータ） (2025-03-31T10:16:03Z)
• Matrix Factorization for Inferring Associations and Missing Links [5.700773330654261]
  リンク予測の欠如は、ネットワーク内の見えないが潜在的に存在するコネクションを特定する。 増殖検出においては、国家および非国家アクターによる核兵器獲得の試みを特定し、特徴付ける努力を支援する。 本稿では,新しい重み付き (WNMFk), Boolean (BNMFk), およびRecommender (RNMFk) 行列因数分解法と,ロジスティック因数分解を組み込んだアンサンブル変種をリンク予測のために導入する。
  論文  参考訳（メタデータ） (2025-03-06T18:22:46Z)
• Enhancing LLM Reliability via Explicit Knowledge Boundary Modeling [48.15636223774418]
  大きな言語モデル(LLM)は、不一致の自己認識のためにしばしば幻覚する。 既存のアプローチは、不確実性推定やクエリの拒否を通じて幻覚を緩和する。 高速かつ低速な推論システムを統合するための明示的知識境界モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-04T03:16:02Z)
• Network Resource Optimization for ML-Based UAV Condition Monitoring with Vibration Analysis [54.550658461477106]
  条件監視(CM)は機械学習(ML)モデルを使用して異常および異常な条件を識別する。 本研究では,MLベースのUAV CMフレームワークにおけるネットワークリソースの最適化について検討する。 次元削減技術を活用することで、ネットワークリソース消費の99.9%が削減される。
  論文  参考訳（メタデータ） (2025-02-21T14:36:12Z)
• Knowledge graph enhanced retrieval-augmented generation for failure mode and effects analysis [1.8849131083278732]
  本稿では,FMEAデータに対する集合理論の標準化とスキーマ,FMEA-KGからベクトル埋め込みを生成するアルゴリズム,KG拡張RAGフレームワークを提案する。 提案手法は,ユーザエクスペリエンス設計研究を通じて検証され,コンテキストリコールの精度と性能を計測する。
  論文  参考訳（メタデータ） (2024-06-26T07:02:49Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)
• Data-Driven Failure Prediction in Brittle Materials: A Phase-Field Based Machine Learning Framework [1.3858051019755282]
  繰り返しまたは増加する負荷下でマイクロ・マクロ・クラックによって導かれる脆性材料の破壊は、しばしば破滅的である。 等温・線形弾性・等方位相場モデルにおける故障を予測するための教師付き機械学習(ML)フレームワークを開発した。 提案手法は,高い騒音レベルが存在する場合でも,許容精度で故障を予測できることを示す。
  論文  参考訳（メタデータ） (2020-03-24T17:13:08Z)

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。