論文の概要: Industrial Steel Slag Flow Data Loading Method for Deep Learning Applications

• arxiv url: http://arxiv.org/abs/2509.00034v1
• Date: Thu, 21 Aug 2025 20:48:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-07 09:10:15.259248
• Title: Industrial Steel Slag Flow Data Loading Method for Deep Learning Applications
• Title（参考訳）: 深層学習のための産業用スラグフローデータローディング法
• Authors: Mert Sehri, Ana Cardoso, Francisco de Assis Boldt, Patrick Dumond,
• Abstract要約: 鉄鋼鋳造プロセスはスラグ流汚染による財政的損失に弱い。 本研究では, 産業用鋼製鋳物から収集した振動データを用いたクロスドメイン診断手法を提案する。
• 参考スコア（独自算出の注目度）: 0.20999222360659606
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Steel casting processes are vulnerable to financial losses due to slag flow contamination, making accurate slag flow condition detection essential. This study introduces a novel cross-domain diagnostic method using vibration data collected from an industrial steel foundry to identify various stages of slag flow. A hybrid deep learning model combining one-dimensional convolutional neural networks and long short-term memory layers is implemented, tested, and benchmarked against a standard one-dimensional convolutional neural network. The proposed method processes raw time-domain vibration signals from accelerometers and evaluates performance across 16 distinct domains using a realistic cross-domain dataset split. Results show that the hybrid convolutional neural network and long short-term memory architecture, when combined with root mean square preprocessing and a selective embedding data loading strategy, achieves robust classification accuracy, outperforming traditional models and loading techniques. The highest test accuracy of 99.10 +/- 0.30 demonstrates the method's capability for generalization and industrial relevance. This work presents a practical and scalable solution for real-time slag flow monitoring, contributing to improved reliability and operational efficiency in steel manufacturing.
• Abstract（参考訳）: 製鋼工程はスラグ流汚染による財政的損失に弱いため,スラグ流条件の正確な検出が不可欠である。 本研究では, 産業用鋼製鋳物から収集した振動データを用いて, スラグ流の様々な段階を同定するクロスドメイン診断手法を提案する。 1次元畳み込みニューラルネットワークと長い短期記憶層を組み合わせたハイブリッドディープラーニングモデルを実装、テストし、標準の1次元畳み込みニューラルネットワークに対してベンチマークする。 提案手法は、加速度計から生の時間領域振動信号を処理し、現実的なクロスドメインデータセット分割を用いて16個の異なる領域にわたる性能を評価する。 その結果, ハイブリッド畳み込みニューラルネットワークと長期記憶アーキテクチャは, ルート平均二乗前処理と選択的埋め込みデータロード戦略を組み合わせた場合, 頑健な分類精度を実現し, 従来のモデルやローディング技術より優れていた。 99.10 +/- 0.30の最高テスト精度は、この手法の一般化と工業的妥当性を示すものである。 本研究は, リアルタイムスラグ流動モニタリングのための実用的でスケーラブルなソリューションを提供し, 鉄鋼製造における信頼性と運転効率の向上に寄与する。

関連論文リスト

• Model-agnostic Mitigation Strategies of Data Imbalance for Regression [0.0]
  データ不均衡は、回帰タスクにおいて広範囲にわたる課題として持続し、モデルパフォーマンスのバイアスを導入し、予測信頼性を損なう。 既存のサンプリング手法を構築・改善する高度な緩和手法を提案する。 モデルのアンサンブル(不均衡緩和で訓練されたモデルと、非バランスで訓練されたモデル)の構築は、これらの負の効果を著しく減少させることを実証する。
  論文  参考訳（メタデータ） (2025-06-02T09:46:08Z)
• A Label-Free High-Precision Residual Moveout Picking Method for Travel Time Tomography based on Deep Learning [7.081408406139507]
  残留移動(Residual moveout、RMO)は、旅行時間トモグラフィーに重要な情報を提供する。 現在の分析手法は、局所的な塩分化を正確に捉えていない。 抽出のための教師付き学習ベース画像分割法は,局所的な変化を効果的に捉えることができる。
  論文  参考訳（メタデータ） (2025-03-08T03:27:55Z)
• Divide and Conquer: Heterogeneous Noise Integration for Diffusion-based Adversarial Purification [75.09791002021947]
  既存の浄化法は,前向き拡散過程を通じて一定のノイズを発生させ,その後に逆の処理を行い,クリーンな例を回復させることによって,対向的摂動を妨害することを目的としている。 この方法は、前処理の均一な操作が、対向的摂動と闘いながら通常のピクセルを損なうため、根本的な欠陥がある。 ニューラルネットワークの解釈可能性に基づく異種浄化戦略を提案する。 本手法は,被写体モデルが注目する特定の画素に対して高強度雑音を決定的に印加する一方,残りの画素は低強度雑音のみを被写体とする。
  論文  参考訳（メタデータ） (2025-03-03T11:00:25Z)
• A convolutional neural network approach to deblending seismic data [1.5488464287814563]
  本稿では,高速かつ効率的な地震探査のためのデータ駆動深層学習手法を提案する。 地震データの特徴に応じて畳み込みニューラルネットワーク(CNN)を設計する。 ネットワークのトレーニングと検証を行った後、ほぼリアルタイムで地震波のたわみを行うことができる。
  論文  参考訳（メタデータ） (2024-09-12T10:54:35Z)
• Rolling bearing fault diagnosis method based on generative adversarial enhanced multi-scale convolutional neural network model [7.600902237804825]
  マルチスケール畳み込みニューラルネットワークモデルに基づく転がり軸受故障診断手法を提案する。 ResNet法と比較して,提案手法はより優れた一般化性能と反雑音性能を有することを示す。
  論文  参考訳（メタデータ） (2024-03-21T06:42:35Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• Anomaly Detection with Ensemble of Encoder and Decoder [2.8199078343161266]
  電力網における異常検出は、電力系統に対するサイバー攻撃による異常を検出し、識別することを目的としている。 本稿では,複数のエンコーダとデコーダを用いて正規サンプルのデータ分布をモデル化し,新しい異常検出手法を提案する。 ネットワーク侵入と電力系統データセットの実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-03-11T15:49:29Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)

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。