論文の概要: Mechanical Strength Prediction of Steel-Polypropylene Fiber-based High-Performance Concrete Using Hybrid Machine Learning Algorithms

• arxiv url: http://arxiv.org/abs/2512.21638v1
• Date: Thu, 25 Dec 2025 11:47:43 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-29 12:06:53.565424
• Title: Mechanical Strength Prediction of Steel-Polypropylene Fiber-based High-Performance Concrete Using Hybrid Machine Learning Algorithms
• Title（参考訳）: ハイブリッド機械学習アルゴリズムを用いた鋼-ポリプロピレン繊維系高性能コンクリートの機械的強度予測
• Authors: Jagaran Chakma, Zhiguang Zhou, Badhan Chakma,
• Abstract要約: 本研究は, 鋼-ポリプロピレン繊維強化高性能コンクリートの機械的特性を予測するための機械学習モデルを開発し, 評価する。 対象は圧縮強度(CS)、曲げ強度(FS)、引張強度(TS)である。 ET-XGBモデルは、CSで0.994、FSで0.944、TSで0.978のR2値をテストし、全体的な精度が最も高かった。
• 参考スコア（独自算出の注目度）: 1.190520536436269
• License:
• Abstract: This research develops and evaluates machine learning models to predict the mechanical properties of steel-polypropylene fiber-reinforced high-performance concrete (HPC). Three model families were investigated: Extra Trees with XGBoost (ET-XGB), Random Forest with LightGBM (RF-LGBM), and Transformer with XGBoost (Transformer-XGB). The target properties included compressive strength (CS), flexural strength (FS), and tensile strength (TS), based on an extensive dataset compiled from published experimental studies. Model training involved k-fold cross-validation, hyperparameter optimization, Shapley additive explanations (SHAP), and uncertainty analysis to ensure both robustness and interpretability. Among the tested approaches, the ET-XGB model achieved the highest overall accuracy, with testing R^2 values of 0.994 for CS, 0.944 for FS, and 0.978 for TS and exhibited lowest uncertainty for CS and TS (approximately 13-16% and 30.4%, respectively). The RF-LGBM model provided the most stable and reliable predictions for FS (R^2 0.977), yielding the lowest uncertainty for FS (approximately 5-33%). The Transformer-XGB model demonstrated strong predictive capability (R^2 0.978 for TS and 0.967 for FS) but consistently showed the highest uncertainty, indicating reduced generalization reliability. SHAP analysis further indicated that fiber aspect ratios (AR1 and AR2), silica fume (Sfu), and steel fiber content (SF) were the most influential predictors of strength, whereas water content (W) and the water-binder ratio (w/b) consistently had negative effects. The findings confirm that machine learning models can provide accurate, interpretable, and generalizable predictions of HPC mechanical properties. These models offer valuable tools for optimizing concrete mix design and enhancing structural performance evaluation in engineering applications.
• Abstract（参考訳）: 本研究では, 鋼-ポリプロピレン繊維強化ハイパフォーマンスコンクリート(HPC)の機械的特性を予測する機械学習モデルの開発と評価を行った。 XGBoost(ET-XGB),Random Forest(RF-LGBM),Transformer(Transformer-XGB)の3種類のモデル家系について検討した。 その結果, 圧縮強度 (CS), 曲げ強度 (FS), 引張強度 (TS) が得られた。 モデルトレーニングには、k倍のクロスバリデーション、ハイパーパラメータ最適化、Shapley additive explanations (SHAP)、堅牢性と解釈可能性の両方を保証する不確実性解析が含まれていた。 ET-XGBモデルはCSでは0.994、FSでは0.944、TSでは0.978、CSとTSでは約13-16%、TSでは30.4%であった。 RF-LGBMモデルはFS(R^2 0.977)に対して最も安定かつ信頼性の高い予測を提供し、FS(約5-33%)に対して最低の不確実性をもたらした。 Transformer-XGBモデルは強い予測能力(TSはR^2 0.978、FSは0.967)を示したが、常に高い不確実性を示し、一般化の信頼性を低下させた。 SHAP分析により, 繊維アスペクト比(AR1, AR2), シリカフューム(Sfu), 鋼繊維含量(SF)が, 強度の予測因子として最も有意であったのに対し, 含水率(W)と含水率(w/b)は一貫して負の効果を示した。 これらの結果から,機械学習モデルにより,HPCの機械的特性の正確かつ解釈可能,一般化可能な予測が可能であることが確認された。 これらのモデルは、コンクリートの混合設計を最適化し、工学的応用における構造的性能評価を強化するための貴重なツールを提供する。

関連論文リスト

• Machine Learning Assisted Parameter Tuning on Wavelet Transform Amorphous Radial Distribution Function [0.0]
  WT-RDFはアモルファス構造を解析するための物理ベースのフレームワークを提供する。 WT-RDFは振幅精度の限界を示し、座標数などの定量的解析に影響を及ぼす。 本研究では、機械学習手法を用いてWT-RDFパラメータを最適化し、WT-RDF+フレームワークを改良することでこの問題に対処する。
  論文  参考訳（メタデータ） (2025-12-19T05:22:54Z)
• CONFIDE: Hallucination Assessment for Reliable Biomolecular Structure Prediction and Design [46.12506067241116]
  本稿では,位相的フラストレーションを定量化する自己評価尺度であるCODE(Chain of Diffusion Embeddings)を提案する。 エネルギー的およびトポロジ的視点を組み合わせた統合評価フレームワークであるCONFIDEを提案する。 データ駆動の埋め込みと理論的な洞察を組み合わせることで、CODEとConFIDEは、幅広い生体分子システムで既存の指標より優れています。
  論文  参考訳（メタデータ） (2025-11-20T03:38:46Z)
• Physics-Informed Multimodal Bearing Fault Classification under Variable Operating Conditions using Transfer Learning [0.46085106405479537]
  本研究では,物理インフォームド・マルチモーダル畳み込みニューラルネットワーク (CNN) とレイトフュージョンアーキテクチャを提案する。 このモデルには、物理的に不可解な予測をペナルティ化する、新しい物理インフォームド・ロス関数が組み込まれている。 パーダーボーン大学のデータセットの実験では、提案された物理学的インフォームドアプローチが、非物理学的インフォームドベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-08-11T01:32:09Z)
• Machine Learning-Driven Optimization of TPMS Architected Materials Using Simulated Annealing [0.0]
  本研究は,3周期最小表面(TPMS)構造の引張応力を機械学習とシミュレートアニーリング(SA)により最適化する新しい手法を提案する。 本研究は, TPMSモデルの有限要素解析から得られたデータセットを用いて, 応力予測におけるランダムフォレスト, 決定木およびXGBoostモデルの性能を評価する。
  論文  参考訳（メタデータ） (2024-05-28T05:06:37Z)
• MixedNUTS: Training-Free Accuracy-Robustness Balance via Nonlinearly Mixed Classifiers [41.56951365163419]
  MixedNUTSは、ロバストな分類器の出力ロジットを3つのパラメータしか持たない非線形変換で処理する訓練不要の手法である。 MixedNUTSは変換されたロジットを確率に変換し、それらを全体の出力として混合する。 CIFAR-10、CIFAR-100、ImageNetデータセットでは、MixedNUTSの精度とほぼSOTAの堅牢性を大幅に改善した。
  論文  参考訳（メタデータ） (2024-02-03T21:12:36Z)
• Predicting Confinement Effect of Carbon Fiber Reinforced Polymers on Strength of Concrete using Metaheuristics-based Artificial Neural Networks [0.0]
  本稿では, メタヒューリスティックスに基づく人工ニューラルネットワークを用いた炭素繊維強化ポリマー(CFRP)のコンクリートシリンダー強度に対する閉じ込め効果の予測について述べる。 シリンダーの直径(d)と高さ(h)、コンクリートの未固着圧縮強度、封止コンクリートfccの究極圧縮強度を含む8つのパラメータについて、708CFRP密閉コンクリートシリンダーの詳細なデータベースを構築した。 PSOのハイブリッドモデルは, 最大精度99.13%のCFRP充填コンクリートシリンダの強度を予測し, GWOはその結果を予測した。
  論文  参考訳（メタデータ） (2023-12-22T17:27:50Z)
• Estimate Deformation Capacity of Non-Ductile RC Shear Walls using Explainable Boosting Machine [0.0]
  本研究の目的は,非延性鉄筋コンクリートせん断壁の変形能力を予測するための,完全に説明可能な機械学習モデルを開発することである。 提案された Explainable Boosting Machines (EBM) ベースのモデルは、解釈可能で堅牢で、自然に説明可能なガラス箱モデルであるが、ブラックボックスモデルに匹敵する高い精度を提供する。
  論文  参考訳（メタデータ） (2023-01-11T09:20:29Z)
• Scaling & Shifting Your Features: A New Baseline for Efficient Model Tuning [126.84770886628833]
  既存の微調整法は、事前訓練されたモデルの全てのパラメータ(フル微調整)をチューニングするか、最後の線形層(線形プローブ)のみをチューニングする。 そこで本研究では,SSFと呼ばれるパラメータ効率の高いファインタニング手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:14:49Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)

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。