論文の概要: High Cycle S-N curve prediction for Al 7075-T6 alloy using Recurrent Neural Networks (RNNs)

• arxiv url: http://arxiv.org/abs/2510.03355v1
• Date: Thu, 02 Oct 2025 23:04:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:58.924424
• Title: High Cycle S-N curve prediction for Al 7075-T6 alloy using Recurrent Neural Networks (RNNs)
• Title（参考訳）: リカレントニューラルネットワーク(RNN)を用いたAl 7075-T6合金の高サイクルS-N曲線予測
• Authors: Aryan Patel,
• Abstract要約: このフレームワークはAlのねじりS-N曲線をはるかに高いサイクル範囲で正確に予測することができた。 この枠組みは、異なる材料の疲労特性を収集するコストを大幅に軽減するものであると信じられている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Aluminum is a widely used alloy, which is susceptible to fatigue failure. Characterizing fatigue performance for materials is extremely time and cost demanding, especially for high cycle data. To help mitigate this, a transfer learning based framework has been developed using Long short-term memory networks (LSTMs) in which a source LSTM model is trained based on pure axial fatigue data for Aluminum 7075-T6 alloy which is then transferred to predict high cycle torsional S-N curves. The framework was able to accurately predict Al torsional S-N curves for a much higher cycle range. It is the belief that this framework will help to drastically mitigate the cost of gathering fatigue characteristics for different materials and help prioritize tests with better cost and time constraints.
• Abstract（参考訳）: アルミニウムは広く使われている合金であり、疲労による損傷を受けやすい。 材料の疲労性能を特徴づけるのは、特に高サイクルデータにおいて、非常に時間とコストが要求される。 これを軽減するために,アルミニウム7075-T6合金の純軸疲労データに基づいてソースLSTMモデルをトレーニングし,高サイクルのS-N曲線を予測した長短期記憶ネットワーク(LSTM)を用いて移動学習ベースのフレームワークを開発した。 このフレームワークはAlのねじりS-N曲線をはるかに高いサイクル範囲で正確に予測することができた。 このフレームワークは、異なる材料の疲労特性を収集するコストを劇的に軽減し、より良いコストと時間の制約でテストの優先順位付けに役立ちます。

関連論文リスト

• Hybrid Quantum Recurrent Neural Network For Remaining Useful Life Prediction [67.410870290301]
  本稿では、量子長短期記憶層と古典的な高密度層を組み合わせたハイブリッド量子リカレントニューラルネットワークフレームワークを提案する。 実験の結果、トレーニング可能なパラメータが少ないにもかかわらず、Hybrid Quantum Recurrent Neural Networkは、リカレントニューラルネットワークよりも最大5%改善できることがわかった。
  論文  参考訳（メタデータ） (2025-04-29T14:41:41Z)
• Modelling of automotive steel fatigue lifetime by machine learning method [0.0]
  この問題は、3.75-1アーキテクチャを持つMLP(Multi-Layer Perceptron)ニューラルネットワークによって解決された。 提案モデルは精度が高く,平均絶対パーセンテージ誤差(MAPE)は0.02%から4.59%であった。
  論文  参考訳（メタデータ） (2025-01-19T19:46:48Z)
• Advanced Displacement Magnitude Prediction in Multi-Material Architected Lattice Structure Beams Using Physics Informed Neural Network Architecture [0.0]
  本稿では, 構造物の変形予測に革新的な手法を提案する。 物理情報ニューラルネットワーク(PINN)と有限要素解析を組み合わせる。
  論文  参考訳（メタデータ） (2024-12-31T00:15:58Z)
• Towards Low-latency Event-based Visual Recognition with Hybrid Step-wise Distillation Spiking Neural Networks [50.32980443749865]
  スパイキングニューラルネットワーク(SNN)は、低消費電力と高い生物性のために大きな注目を集めている。 現在のSNNは、ニューロモルフィックデータセットの正確性とレイテンシのバランスをとるのに苦労している。 ニューロモルフィックデータセットに適したステップワイド蒸留法(HSD)を提案する。
  論文  参考訳（メタデータ） (2024-09-19T06:52:34Z)
• Spatial Annealing for Efficient Few-shot Neural Rendering [73.49548565633123]
  我々はtextbfSpatial textbf Annealing regularized textbfNeRF (textbfSANeRF) という,正確で効率的な数発のニューラルレンダリング手法を導入する。 単に1行のコードを追加することで、SANeRFは、現在の数ショットのニューラルレンダリング方法と比較して、より優れたレンダリング品質とはるかに高速な再構築速度を提供する。
  論文  参考訳（メタデータ） (2024-06-12T02:48:52Z)
• Extreme-Long-short Term Memory for Time-series Prediction [0.0]
  Long Short-Term Memory (LSTM)は、新しいタイプのリカレントニューラルネットワーク(RNN)である 本稿では,高度なLSTMアルゴリズムであるExtreme Long Short-Term Memory (E-LSTM)を提案する。 新しいE-LSTMは、7番目のエポックなLSTMの結果を得るためには2エポックしか必要としない。
  論文  参考訳（メタデータ） (2022-10-15T09:45:48Z)
• On the Intrinsic Structures of Spiking Neural Networks [66.57589494713515]
  近年、時間依存データやイベント駆動データを扱う大きな可能性から、SNNへの関心が高まっている。 スパイキング計算における本質的な構造の影響を総合的に調査する研究が数多く行われている。 この研究はSNNの本質的な構造を深く掘り下げ、SNNの表現性への影響を解明する。
  論文  参考訳（メタデータ） (2022-06-21T09:42:30Z)
• Kinematically consistent recurrent neural networks for learning inverse problems in wave propagation [0.0]
  そこで我々は,新しい運動論的に整合した物理に基づく機械学習モデルを提案する。 特に,波動伝搬における逆問題について物理的に解釈可能な学習を試みる。 控えめなトレーニングデータであっても、このキネマティック一貫性のあるネットワークは、通常のLSTM予測の誤り規範である$L_infty$を、それぞれ約45%と55%削減することができる。
  論文  参考訳（メタデータ） (2021-10-08T05:51:32Z)
• Prediction of financial time series using LSTM and data denoising methods [0.29923891863939933]
  本稿では,ウェーブレット変換 (WT) と特異スペクトル解析 (SSA) を含むデータデノイジング法に基づくアンサンブル法を提案する。 WTとSSAは、元のシーケンスから有用な情報を抽出し、オーバーフィッティングを避けるため、ハイブリッドモデルはDJIAの閉値のシーケンスパターンをよりよく把握することができる。
  論文  参考訳（メタデータ） (2021-03-05T07:32:36Z)
• A Fully Tensorized Recurrent Neural Network [48.50376453324581]
  重み付けされたRNNアーキテクチャを導入し、各リカレントセル内の個別の重み付け行列を共同で符号化する。 このアプローチはモデルのサイズを数桁削減するが、通常のRNNと同等あるいは優れた性能を維持している。
  論文  参考訳（メタデータ） (2020-10-08T18:24:12Z)
• Tensor train decompositions on recurrent networks [60.334946204107446]
  マトリックス製品状態(MPS)テンソルトレインは、ストレージの削減と推論時の計算時間の観点から、MPOよりも魅力的な特徴を持つ。 理論解析により,MPSテンソル列車はLSTMネットワーク圧縮の最前線に置かれるべきであることを示す。
  論文  参考訳（メタデータ） (2020-06-09T18:25:39Z)

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。