論文の概要: A Machine Learning Approach to Generate Residual Stress Distributions using Sparse Characterization Data in Friction-Stir Processed Parts

• arxiv url: http://arxiv.org/abs/2506.08205v1
• Date: Mon, 09 Jun 2025 20:26:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:40.669094
• Title: A Machine Learning Approach to Generate Residual Stress Distributions using Sparse Characterization Data in Friction-Stir Processed Parts
• Title（参考訳）: 摩擦せん断加工部品のスパース特性データを用いた残留応力分布生成のための機械学習手法
• Authors: Shadab Anwar Shaikh, Kranthi Balusu, Ayoub Soulami,
• Abstract要約: 処理後のコンポーネント内に残留する残留応力は、性能を低下させる可能性がある。 本研究では,機械学習に基づく残留応力発生器(Residual Stress Generator,RSG)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Residual stresses, which remain within a component after processing, can deteriorate performance. Accurately determining their full-field distributions is essential for optimizing the structural integrity and longevity. However, the experimental effort required for full-field characterization is impractical. Given these challenges, this work proposes a machine learning (ML) based Residual Stress Generator (RSG) to infer full-field stresses from limited measurements. An extensive dataset was initially constructed by performing numerous process simulations with a diverse parameter set. A ML model based on U-Net architecture was then trained to learn the underlying structure through systematic hyperparameter tuning. Then, the model's ability to generate simulated stresses was evaluated, and it was ultimately tested on actual characterization data to validate its effectiveness. The model's prediction of simulated stresses shows that it achieved excellent predictive accuracy and exhibited a significant degree of generalization, indicating that it successfully learnt the latent structure of residual stress distribution. The RSG's performance in predicting experimentally characterized data highlights the feasibility of the proposed approach in providing a comprehensive understanding of residual stress distributions from limited measurements, thereby significantly reducing experimental efforts.
• Abstract（参考訳）: 処理後のコンポーネント内に残留する残留応力は、性能を低下させる可能性がある。 それらの全体分布を正確に決定することは、構造的整合性と長寿を最適化するために不可欠である。 しかし,フルフィールドキャラクタリゼーションに必要な実験は現実的ではない。 これらの課題を踏まえ、この研究は、限られた測定値から全フィールド応力を推測する機械学習(ML)ベースの残留応力発生器(RSG)を提案する。 幅広いデータセットは、最初は多様なパラメータセットで多数のプロセスシミュレーションを実行することで構築された。 U-Netアーキテクチャに基づくMLモデルをトレーニングし、体系的なハイパーパラメータチューニングによって基盤構造を学習する。 そして、モデルが模擬応力を発生させる能力を評価し、最終的に実際の評価データを用いてその妥当性を検証した。 モデルによる模擬応力の予測は、優れた予測精度を示し、かなりの一般化を示し、残留応力分布の潜在構造をうまく学習したことを示している。 実験的な特徴のあるデータを予測するRSGの性能は、限られた測定結果から残留応力分布の包括的理解を提供することで、提案手法の有効性を強調し、実験的な労力を大幅に削減する。

関連論文リスト

• Physics-based machine learning for fatigue lifetime prediction under non-uniform loading scenarios [0.0]
  この研究は、材料の疲労寿命を予測する物理ベースの機械学習(phi$ML)の可能性を強調した。 物理的にベースとした異方性連続体損傷疲労モデルにより生成された数値シミュレーションを用いて訓練する。 提案手法は、純粋にデータ駆動型ニューラルネットワークよりも精度が高い。
  論文  参考訳（メタデータ） (2025-03-07T13:45:06Z)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Meta-learning and Data Augmentation for Stress Testing Forecasting Models [0.33554367023486936]
  モデルがストレスにさらされていると考えられるのは、高次のエラーや不確実性の増加など、ネガティブな振る舞いを示す場合である。 本稿では,MAST(Meta-learning and data Augmentation for Stress Testing)と呼ばれる新しいフレームワークに貢献する。
  論文  参考訳（メタデータ） (2024-06-24T17:59:33Z)
• Addressing Misspecification in Simulation-based Inference through Data-driven Calibration [43.811367860375825]
  本研究は, モデル不特定性を克服するフレームワークであるロPEを導入し, 実世界の小キャリブレーションによる地下構造パラメータの測定を行った。 4つの合成課題と2つの実世界の問題により、RoPEはベースラインを上回り、情報的およびキャリブレーションされた信頼区間を一貫して返却することを示した。
  論文  参考訳（メタデータ） (2024-05-14T16:04:39Z)
• How Many Pretraining Tasks Are Needed for In-Context Learning of Linear Regression? [92.90857135952231]
  様々なタスクで事前訓練されたトランスフォーマーは、顕著なインコンテキスト学習(ICL)能力を示す。 線形回帰のための線形パラメータ化単一層線形アテンションモデルの事前学習を行う。
  論文  参考訳（メタデータ） (2023-10-12T15:01:43Z)
• Training Discrete Deep Generative Models via Gapped Straight-Through Estimator [72.71398034617607]
  再サンプリングのオーバーヘッドを伴わずに分散を低減するため, GST (Gapped Straight-Through) 推定器を提案する。 この推定子は、Straight-Through Gumbel-Softmaxの本質的な性質に着想を得たものである。 実験により,提案したGST推定器は,2つの離散的な深部生成モデリングタスクの強いベースラインと比較して,優れた性能を享受できることが示された。
  論文  参考訳（メタデータ） (2022-06-15T01:46:05Z)
• Improving Maximum Likelihood Training for Text Generation with Density Ratio Estimation [51.091890311312085]
  本稿では,テキスト生成で遭遇する大規模なサンプル空間において,効率よく安定な自動回帰シーケンス生成モデルのトレーニング手法を提案する。 本手法は,品質と多様性の両面で,最大類似度推定や他の最先端シーケンス生成モデルよりも安定に優れている。
  論文  参考訳（メタデータ） (2020-07-12T15:31:24Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)
• Efficient Characterization of Dynamic Response Variation Using Multi-Fidelity Data Fusion through Composite Neural Network [9.446974144044733]
  構造力学解析における多レベル応答予測の機会を利用する。 得られた多レベル異種データセットを完全に活用できる複合ニューラルネットワーク融合手法を定式化する。
  論文  参考訳（メタデータ） (2020-05-07T02:44:03Z)

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。