論文の概要: A Data-Driven Machine Learning Approach for Predicting Axial Load Capacity in Steel Storage Rack Columns

• arxiv url: http://arxiv.org/abs/2508.00876v1
• Date: Tue, 22 Jul 2025 10:16:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-10 09:30:49.284333
• Title: A Data-Driven Machine Learning Approach for Predicting Axial Load Capacity in Steel Storage Rack Columns
• Title（参考訳）: データ駆動型機械学習による鋼蓄槽の軸負荷容量予測
• Authors: Bakhtiyar Mammadli, Casim Yazici, Muhammed Gürbüz, İrfan Kocaman, F. Javier Dominguez-Gutierrez, Fatih Mehmet Özkal,
• Abstract要約: 冷間成形鋼構造物の軸受荷重特性を予測するための機械学習(ML)フレームワークを提案する。 この方法論は堅牢なモデル選択と解釈可能性を強調し、従来の分析手法の限界に対処する。
• 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: In this study, we present a machine learning (ML) framework to predict the axial load-bearing capacity, (kN), of cold-formed steel structural members. The methodology emphasizes robust model selection and interpretability, addressing the limitations of traditional analytical approaches in capturing the nonlinearities and geometrical complexities inherent to buckling behavior. The dataset, comprising key geometric and mechanical parameters of steel columns, was curated with appropriate pre-processing steps including removal of non-informative identifiers and imputation of missing values. A comprehensive suite of regression algorithms, ranging from linear models to kernel-based regressors and ensemble tree methods was evaluated. Among these, Gradient Boosting Regression exhibited superior predictive performance across multiple metrics, including the coefficient of determination (R2), root mean squared error (RMSE), and mean absolute error (MAE), and was consequently selected as the final model. Model interpretability was addressed using SHapley Additive exPlanations (SHAP), enabling insight into the relative importance and interaction of input features influencing the predicted axial capacity. To facilitate practical deployment, the model was integrated into an interactive, Python-based web interface via Streamlit. This tool allows end-users-such as structural engineers and designers, to input design parameters manually or through CSV upload, and to obtain real-time predictions of axial load capacity without the need for programming expertise. Applied to the context of steel storage rack columns, the framework demonstrates how data-driven tools can enhance design safety, streamline validation workflows, and inform decision-making in structural applications where buckling is a critical failure mode
• Abstract（参考訳）: 本研究では,冷間加工鋼構造物の軸受荷重量(kN)を予測する機械学習(ML)フレームワークを提案する。 この方法論は堅牢なモデル選択と解釈可能性を強調し、座屈挙動に固有の非線形性と幾何学的複雑さを捉える従来の分析的アプローチの限界に対処する。 鋼柱の幾何学的および機械的パラメータからなるデータセットを,非形式的識別子の除去や欠落値の計算を含む適切な前処理ステップでキュレートした。 線形モデルからカーネルベースの回帰器,アンサンブルツリー手法まで,包括的な回帰アルゴリズムスイートの評価を行った。 これらのうち、勾配ブースティング回帰は、決定係数(R2)、ルート平均二乗誤差(RMSE)、平均絶対誤差(MAE)など、複数の指標で優れた予測性能を示し、最終モデルとして選択された。 モデル解釈可能性についてSHAP (SHapley Additive ExPlanations) を用いて検討した。 実用的なデプロイを容易にするため、モデルがStreamlitを介してインタラクティブなPythonベースのWebインターフェースに統合された。 このツールは、構造エンジニアやデザイナのようなエンドユーザが、手動またはCSVアップロードを通じて設計パラメータを入力し、プログラミングの専門知識を必要とせずに、軸方向の負荷容量をリアルタイムに予測することを可能にする。 スチールストレージラック列のコンテキストに適用されたこのフレームワークは、データ駆動ツールが設計の安全性をどのように向上するかを実証し、検証ワークフローを合理化し、座屈が重要な障害モードである構造的アプリケーションにおいて意思決定を通知する。

関連論文リスト

• Exploring Patterns Behind Sports [3.2838877620203935]
  本稿では、ARIMAとLSTMを組み合わせたハイブリッドモデルを用いて、時系列予測のための包括的なフレームワークを提案する。 このモデルには埋め込みやPCAといった機能エンジニアリング技術が組み込まれており、生データを低次元の表現に変換する。
  論文  参考訳（メタデータ） (2025-02-11T11:51:07Z)
• Beyond Scaling: Measuring and Predicting the Upper Bound of Knowledge Retention in Language Model Pre-Training [51.41246396610475]
  本稿では,外部ツールを使わずにクローズドブック質問応答(QA)の性能を予測することを目的とする。 我々は、21の公開言語と3つのカスタムトレーニングされた大規模言語モデルの事前学習コーパスに対して、大規模な検索と意味解析を行う。 これらの基礎の上に構築されたSMI(Size-dependent Mutual Information)は,事前学習データの特徴を線形に相関させる情報理論の指標である。
  論文  参考訳（メタデータ） (2025-02-06T13:23:53Z)
• CAAT-EHR: Cross-Attentional Autoregressive Transformer for Multimodal Electronic Health Record Embeddings [0.0]
  本稿では,タスク非依存の縦埋め込みを生のEHRデータから生成する新しいアーキテクチャであるCAAT-EHRを紹介する。 自己回帰デコーダは、事前訓練中に将来の時刻データを予測してエンコーダを補完し、その結果の埋め込みが時間的整合性と整合性を維持する。
  論文  参考訳（メタデータ） (2025-01-31T05:00:02Z)
• Towards Precision in Bolted Joint Design: A Preliminary Machine Learning-Based Parameter Prediction [0.0]
  ボルト接合部は、構造的整合性と信頼性を維持するために工学的に重要である。 従来の方法では、ボルト付きジョイントの非線形挙動を捉えることができないことが多い。 本研究では、負荷容量と摩擦係数を予測するために、経験的データとフィードフォワードニューラルネットワークを組み合わせる。
  論文  参考訳（メタデータ） (2024-12-11T11:00:39Z)
• Predictability Analysis of Regression Problems via Conditional Entropy Estimations [1.8913544072080544]
  回帰問題の予測可能性を評価するために,条件付きエントロピー推定器を開発した。 合成および実世界のデータセットの実験は、これらの推定器の堅牢性と有用性を示している。
  論文  参考訳（メタデータ） (2024-06-06T07:59:19Z)
• Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
  PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。 運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。 結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
  論文  参考訳（メタデータ） (2024-02-28T02:16:03Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)

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。