論文の概要: Auto-Regressive U-Net for Full-Field Prediction of Shrinkage-Induced Damage in Concrete

• arxiv url: http://arxiv.org/abs/2509.20507v1
• Date: Wed, 24 Sep 2025 19:29:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.564261
• Title: Auto-Regressive U-Net for Full-Field Prediction of Shrinkage-Induced Damage in Concrete
• Title（参考訳）: コンクリートの収縮損傷のフルフィルド予測のための自己回帰型Uネット
• Authors: Liya Gaynutdinova, Petr Havlásek, Ondřej Rokoš, Fleur Hendriks, Martin Doškář,
• Abstract要約: この研究は、自動回帰U-Netモデルを用いて、単位セル内のスカラー損傷場の進化を予測する。 畳み込みニューラルネットワーク(CNN)は、観測された収縮や残留剛性を含む重要な力学特性を予測するために用いられる。 これはコンクリートの混合設計の最適化に役立ち、耐久性の向上と内部損傷の低減につながる。
• 参考スコア（独自算出の注目度）: 0.3262230127283452
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a deep learning approach for predicting time-dependent full-field damage in concrete. The study uses an auto-regressive U-Net model to predict the evolution of the scalar damage field in a unit cell given microstructural geometry and evolution of an imposed shrinkage profile. By sequentially using the predicted damage output as input for subsequent predictions, the model facilitates the continuous assessment of damage progression. Complementarily, a convolutional neural network (CNN) utilises the damage estimations to forecast key mechanical properties, including observed shrinkage and residual stiffness. The proposed dual-network architecture demonstrates high computational efficiency and robust predictive performance on the synthesised datasets. The approach reduces the computational load traditionally associated with full-field damage evaluations and is used to gain insights into the relationship between aggregate properties, such as shape, size, and distribution, and the effective shrinkage and reduction in stiffness. Ultimately, this can help to optimize concrete mix designs, leading to improved durability and reduced internal damage.
• Abstract（参考訳）: 本稿では,コンクリート中の時間依存性のフルフィールド損傷を予測するための深層学習手法を提案する。 本研究は, 自己回帰型U-Netモデルを用いて, マイクロ構造形状を与えられた単位セル内のスカラー損傷場の進化と, 強制収縮プロファイルの進化を予測する。 予測された損傷出力をその後の予測の入力として逐次使用することにより、モデルは損傷進行の連続的な評価を容易にする。 相補的に、畳み込みニューラルネットワーク(CNN)は、損傷推定を利用して、観察された収縮や残留剛性を含む重要な機械的特性を予測する。 提案したデュアルネットワークアーキテクチャは、合成データセット上で高い計算効率と堅牢な予測性能を示す。 このアプローチは、伝統的にフルフィールドの損傷評価と関連する計算負荷を削減し、形状、サイズ、分布などの集合特性と、効果的収縮と硬さの低下の関係についての洞察を得るのに使用される。 結局のところ、これはコンクリートの混合設計を最適化するのに役立ち、耐久性の向上と内部の損傷の低減につながる。

関連論文リスト

• Predicting Stress and Damage in Carbon Fiber-Reinforced Composites Deformation Process using Composite U-Net Surrogate Model [3.4116927260734506]
  炭素繊維強化複合材料(CFRC)は、その異常な機械的特性により、高度な工学的応用において重要である。 機械的負荷下でのCFRCの挙動の深い理解は、航空宇宙構造などの要求された応用における性能の最適化に不可欠である。 本研究では, CFRC変形時の応力場と損傷場を同時に予測する, 自己回帰型複合U-Netディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2025-04-19T02:29:39Z)
• A new graph-based surrogate model for rapid prediction of crashworthiness performance of vehicle panel components [9.652891407528612]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つデータを処理するための有望なソリューションとして登場した。 本稿では,車両パネル部品の耐クラッシュ性解析のためのグラフに基づく新しいサロゲートモデルであるRecurrent Graph U-Netを提案する。
  論文  参考訳（メタデータ） (2025-03-16T23:55:40Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• Interpretability in Convolutional Neural Networks for Building Damage Classification in Satellite Imagery [0.0]
  我々は、プレサスタ衛星画像とポストサスタ衛星画像とをラベル付けしたデータセットを使用して、建物ごとの損傷を評価する。 複数の畳み込みニューラルネットワーク(CNN)をトレーニングし、建物ごとの損傷を評価する。 我々の研究は、人為的気候変動による人道的危機の進行に、計算的に貢献することを目指している。
  論文  参考訳（メタデータ） (2022-01-24T16:55:56Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• 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)
• StressNet: Deep Learning to Predict Stress With Fracture Propagation in Brittle Materials [6.245804384813862]
  脆性材料の破砕は、しばしば内部応力の強い亀裂の急激な成長と合体によるものである。 フラクチャー伝播と初期応力データに基づく最大内部応力列全体を予測するために「応力ネット」を提案する。 提案モデルでは,最大内部応力の高精度なマルチステップ予測を約20秒で計算できる。
  論文  参考訳（メタデータ） (2020-11-20T05:49:12Z)
• Learning Output Embeddings in Structured Prediction [73.99064151691597]
  構造化予測に対する強力で柔軟なアプローチは、予測される構造化対象を潜在的に無限次元の特徴空間に埋め込むことである。 原空間における予測は、前像問題の解法により計算される。 本研究では,新しい特徴空間に出力埋め込みと回帰関数の有限近似を共同で学習することを提案する。
  論文  参考訳（メタデータ） (2020-07-29T09:32:53Z)
• Bridging Mode Connectivity in Loss Landscapes and Adversarial Robustness [97.67477497115163]
  我々は、モード接続を用いて、ディープニューラルネットワークの対角的堅牢性を研究する。 実験では、異なるネットワークアーキテクチャやデータセットに適用される様々な種類の敵攻撃について取り上げる。 以上の結果から,モード接続は,敵の強靭性を評価・改善するための総合的なツールであり,実用的な手段であることが示唆された。
  論文  参考訳（メタデータ） (2020-04-30T19:12:50Z)

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。