論文の概要: A Data-Driven Multi-Objective Approach for Predicting Mechanical Performance, Flowability, and Porosity in Ultra-High-Performance Concrete (UHPC)

• arxiv url: http://arxiv.org/abs/2512.21610v1
• Date: Thu, 25 Dec 2025 10:15:57 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-29 11:58:39.597256
• Title: A Data-Driven Multi-Objective Approach for Predicting Mechanical Performance, Flowability, and Porosity in Ultra-High-Performance Concrete (UHPC)
• Title（参考訳）: 超高性能コンクリート(UHPC)の機械的性能・流動性・ポロシティ予測のためのデータ駆動型多目的アプローチ
• Authors: Jagaran Chakma, Zhiguang Zhou, Jyoti Chakma, Cao YuSen,
• Abstract要約: テストされた21の機械学習アルゴリズムのうち、5つのハイパフォーマンスモデルが選択され、XGBoostが最も正確である。 最初のXGBoostモデルは生のデータを使用して構築され、最終モデルとして選択されるとデータセットがクリーンになる。 次に、モデル2としての洗練されたデータセットを使用して、XGBoostを再トレーニングし、すべての出力に対して高い予測精度を達成する。
• 参考スコア（独自算出の注目度）: 1.0897929763202632
• License:
• Abstract: This study presents a data-driven, multi-objective approach to predict the mechanical performance, flow ability, and porosity of Ultra-High-Performance Concrete (UHPC). Out of 21 machine learning algorithms tested, five high-performing models are selected, with XGBoost showing the best accuracy after hyperparameter tuning using Random Search and K-Fold Cross-Validation. The framework follows a two-stage process: the initial XGBoost model is built using raw data, and once selected as the final model, the dataset is cleaned by (1) removing multicollinear features, (2) identifying outliers with Isolation Forest, and (3) selecting important features using SHAP analysis. The refined dataset as model 2 is then used to retrain XGBoost, which achieves high prediction accuracy across all outputs. A graphical user interface (GUI) is also developed to support material designers. Overall, the proposed framework significantly improves the prediction accuracy and minimizes the need for extensive experimental testing in UHPC mix design.
• Abstract（参考訳）: 本研究では,UHPC(Ultra-High-Performance Concrete)の機械的性能,流動性,気孔率を予測するために,データ駆動型多目的手法を提案する。 テストされた21の機械学習アルゴリズムのうち、5つのハイパフォーマンスモデルが選択され、XGBoostはRandom SearchとK-Fold Cross-Validationを使用してハイパーパラメータチューニング後の最高の精度を示している。 最初のXGBoostモデルは生データを用いて構築され、最終モデルとして選択されると、(1)マルチコリニア特徴の除去、(2)アイソレーションフォレストによる外れ値の識別、(3)SHAP分析による重要な特徴の選択によってデータセットがクリーン化される。 次に、モデル2としての洗練されたデータセットを使用して、XGBoostを再トレーニングし、すべての出力に対して高い予測精度を達成する。 グラフィカルユーザインタフェース (GUI) も開発され、マテリアルデザイナーをサポートする。 全体として,提案フレームワークは予測精度を大幅に向上し,UHPC混合設計における広範な実験試験の必要性を最小限に抑える。

関連論文リスト

• Towards the Automatic Segmentation, Modeling and Meshing of the Aortic Vessel Tree from Multicenter Acquisitions: An Overview of the SEG.A. 2023 Segmentation of the Aorta Challenge [44.01488489205175]
  この分野での進歩を触媒するSEG.A.チャレンジを紹介します。 この課題は、隠れたテストセットで自動アルゴリズムをベンチマークした。 主要な結果は、上位のアルゴリズムのアンサンブルが個々のモデルよりも大幅に優れていたことである。
  論文  参考訳（メタデータ） (2025-10-28T02:33:45Z)
• Amortized Active Generation of Pareto Sets [48.56811624922571]
  A-GPSは、オンラインの離散ブラックボックスマルチオブジェクト最適化のための新しいフレームワークである。 メソッドは、非支配関係を予測するためにクラス確率推定器を使用する。 この非支配的CPEは,超ボリューム改善の確率を暗黙的に見積もっている。
  論文  参考訳（メタデータ） (2025-10-23T23:49:23Z)
• Cross-Domain Malware Detection via Probability-Level Fusion of Lightweight Gradient Boosting Models [0.0]
  本稿では,3つの異なるデータセットにまたがる確率レベル融合を利用したマルウェア検出のための新しいフレームワークを提案する。 提案手法は,各データセット上で個々のLightGBM分類器を訓練し,効率性を確保するために最上位の予測特徴を選択し,グリッドサーチによって決定された最適化重みを用いて予測確率を融合する。 実験により,我々の融合アプローチは,ドメイン間検証セット上で0.823のマクロF1スコアを実現し,個々のモデルよりも大幅に優れ,より優れた一般化を提供することを示した。
  論文  参考訳（メタデータ） (2025-08-30T12:18:13Z)
• Evaluating Ensemble and Deep Learning Models for Static Malware Detection with Dimensionality Reduction Using the EMBER Dataset [0.0]
  本研究では,EMBERデータセットを用いた静的マルウェア検出における機械学習アルゴリズムの有効性について検討した。 LightGBM, XGBoost, CatBoost, Random Forest, Extra Trees, HistGradientBoosting, k-Nearest Neighbors (KNN), TabNetの8つの分類モデルを評価した。 モデルは精度、精度、リコール、F1スコア、AUCに基づいて評価され、予測性能とロバスト性の両方を調べる。
  論文  参考訳（メタデータ） (2025-07-22T18:45:10Z)
• Ultra-Resolution Adaptation with Ease [62.56434979517156]
  我々は,EmphURAEと呼ばれる超高分解能適応のための重要なガイドラインのセットを提案する。 重み行列の小さな成分のチューニングは、合成データが利用できない場合に広く使用される低ランクアダプタよりも優れていることを示す。 URAEは、FLUX1.1[Pro] Ultraのような最先端のクローズドソースモデルに匹敵する2K世代の性能を達成している。
  論文  参考訳（メタデータ） (2025-03-20T16:44:43Z)
• Hyperspectral Images Efficient Spatial and Spectral non-Linear Model with Bidirectional Feature Learning [7.06787067270941]
  本稿では,分類精度を高めつつ,データ量を大幅に削減する新しいフレームワークを提案する。 本モデルでは,空間特徴解析のための特殊ブロックによって補完されるスペクトル特徴を効率よく抽出するために,双方向逆畳み込みニューラルネットワーク(CNN)を用いる。
  論文  参考訳（メタデータ） (2024-11-29T23:32:26Z)
• PruMUX: Augmenting Data Multiplexing with Model Compression [42.89593283051397]
  本稿では、構造化プルーニングとデータ多重化という2つの手法を組み合わせて、どちらの手法でも得られる高速化ゲインを合成する。 我々のアプローチであるPruMUXは、精度が80%から74%のBERTベースモデルよりも7.5-29.5倍のスループット向上を実現している。 我々は,所望の精度損失予算を条件として,プルーニングと多重化の高性能パラメータを予測できるメタレベルモデルであるAuto-PruMUXを提案する。
  論文  参考訳（メタデータ） (2023-05-24T04:22:38Z)
• An Efficient Learning Framework For Federated XGBoost Using Secret Sharing And Distributed Optimization [47.70500612425959]
  XGBoostは、より優れた学習精度と効率のため、業界で最も広く使われている機械学習モデルの1つである。 ビッグデータ問題におけるデータ分離問題に対処するためには、セキュアで効率的なフェデレーションXGBoost(FedXGB)モデルをデプロイすることが重要です。 本稿では,xgboostの分割基準計算プロセスをシークレット共有設定で再構成するセキュリティ保証とともに,マルチパーティフェデレーションxgb学習フレームワークを提案する。 注目すべきは、モデルセキュリティの徹底的な分析も提供され、複数の数値結果が提案されたFedXGBの優位性を示しています。
  論文  参考訳（メタデータ） (2021-05-12T15:04:18Z)

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。