論文の概要: Enhancing Stress-Strain Predictions with Seq2Seq and Cross-Attention based on Small Punch Test
- arxiv url: http://arxiv.org/abs/2506.17680v1
- Date: Sat, 21 Jun 2025 11:14:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-24 19:06:36.537492
- Title: Enhancing Stress-Strain Predictions with Seq2Seq and Cross-Attention based on Small Punch Test
- Title（参考訳）: 小型パンチ試験に基づくSeq2Seqとクロスアテンションによる応力-ひずみ予測の強化
- Authors: Zhengni Yang, Rui Yang, Weijian Han, Qixin Liu,
- Abstract要約: 本稿では,SPT負荷変位データから高強度鋼の真の応力-ひずみ曲線を予測するための新しいディープラーニング手法を提案する。
提案手法では,Gramian Angular Field (GAF) を用いてロード置換シーケンスを画像に変換し,空間的特徴をキャプチャし,LSTMに基づくエンコーダデコーダアーキテクチャを備えたSequence-to-Sequence(Seq2Seq)モデルを用いる。
- 参考スコア（独自算出の注目度）: 3.507310594109602
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: This paper introduces a novel deep-learning approach to predict true stress-strain curves of high-strength steels from small punch test (SPT) load-displacement data. The proposed approach uses Gramian Angular Field (GAF) to transform load-displacement sequences into images, capturing spatial-temporal features and employs a Sequence-to-Sequence (Seq2Seq) model with an LSTM-based encoder-decoder architecture, enhanced by multi-head cross-attention to improved accuracy. Experimental results demonstrate that the proposed approach achieves superior prediction accuracy, with minimum and maximum mean absolute errors of 0.15 MPa and 5.58 MPa, respectively. The proposed method offers a promising alternative to traditional experimental techniques in materials science, enhancing the accuracy and efficiency of true stress-strain relationship predictions.
- Abstract（参考訳）: 本稿では,SPT負荷変位データから高強度鋼の真の応力-ひずみ曲線を予測するための新しいディープラーニング手法を提案する。
提案手法では,Gramian Angular Field (GAF) を用いて画像にロード置換シーケンスを変換し,空間的特徴をキャプチャし,LSTMをベースとしたエンコーダデコーダアーキテクチャを備えたSequence-to-Sequence(Seq2Seq)モデルを用いて精度を向上させる。
実験の結果,提案手法は最大誤差0.15MPa,最大誤差5.58MPaの予測精度が向上した。
提案手法は, 材料科学における従来の実験技術に代わる有望な代替手段であり, 真の応力-ひずみ関係予測の精度と効率を向上させる。
関連論文リスト
- RoSTE: An Efficient Quantization-Aware Supervised Fine-Tuning Approach for Large Language Models [53.571195477043496]
本稿では,RoSTE (Rotated Straight-Through-Estimator) というアルゴリズムを提案する。
RoSTEは、量子化を意識した微調整(QA-SFT)と適応的な回転戦略を組み合わせることで、アクティベーションアウトリーを減少させる。
その結果, 予測誤差は収束重みの量子化誤差と直接比例し, 最適化された回転構成により効果的に管理できることが判明した。
論文 参考訳（メタデータ） (2025-02-13T06:44:33Z) - Conformal Thresholded Intervals for Efficient Regression [9.559062601251464]
Conformal Thresholded Intervals (CTI) は、カバー範囲が保証された最小限の予測セットを生成することを目的とした、新しいコンフォメーション回帰手法である。
CTIは、その長さに基づいて推定された条件間間隔をしきい値にすることで予測セットを構築する。
CTIは、様々なデータセットにわたる最先端のコンフォメーション回帰手法よりも優れた性能を達成している。
論文 参考訳（メタデータ） (2024-07-19T17:47:08Z) - Beyond mirkwood: Enhancing SED Modeling with Conformal Predictions [0.0]
SEDフィッティングにおける柔軟性と不確実性を向上する,高度な機械学習ベースのアプローチを提案する。
我々は、整合化量子レグレッションを組み込んで、点予測をエラーバーに変換し、解釈可能性と信頼性を向上させる。
論文 参考訳（メタデータ） (2023-12-21T11:27:20Z) - Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。
本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
論文 参考訳（メタデータ） (2023-09-15T22:06:29Z) - On the optimization and pruning for Bayesian deep learning [1.0152838128195467]
重み空間上でニューラルネットワークを学習するための適応型変分ベイズアルゴリズムを提案する。
EM-MCMCアルゴリズムにより,ワンショットで最適化とモデルプルーニングを行うことができる。
我々の密度モデルは最先端の性能に到達でき、スパースモデルは以前提案したプルーニング方式と比較して非常によく機能する。
論文 参考訳（メタデータ） (2022-10-24T05:18:08Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳（メタデータ） (2022-09-16T19:15:50Z) - Learning Cross-Scale Prediction for Efficient Neural Video Compression [30.051859347293856]
低レイテンシモードのUVGデータセット上のsRGB PSNRの観点から、最新のコーディング標準であるH.266/VVCと競合する最初のニューラルビデオを示す。
そこで我々は,より効率的な動き補償を実現する,新しいクロススケール予測モジュールを提案する。
論文 参考訳（メタデータ） (2021-12-26T03:12:17Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳（メタデータ） (2020-11-05T08:04:34Z)
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。