論文の概要: Physics-Informed Gaussian Process Regression for the Constitutive Modeling of Concrete: A Data-Driven Improvement to Phenomenological Models
- arxiv url: http://arxiv.org/abs/2601.03367v1
- Date: Tue, 06 Jan 2026 19:09:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-09 02:15:22.985918
- Title: Physics-Informed Gaussian Process Regression for the Constitutive Modeling of Concrete: A Data-Driven Improvement to Phenomenological Models
- Title（参考訳）: コンクリート構成モデリングのための物理インフォームドガウス過程回帰:現象モデルへのデータ駆動的改善
- Authors: Chenyang Li, Himanshu Sharma, Youcai Wu, Joseph Magallanes, K. T. Ramesh, Michael D. Shields,
- Abstract要約: この研究は、カラゴジアン・アンド・ケースコンクリートモデルのモジュラーエラスト塑性構造を保持する物理インフォームドフレームワークを開発する。
実験的な障害表面を、実験的にアクセス可能な可観測物から直接学ぶことができる制約付きガウスプロセス回帰サロゲートに置き換える。
その結果,非拘束型GPRはトレーニング条件付近でよく補間されるが,外挿条件下では身体的制約が悪化し,不適切であることがわかった。
- 参考スコア（独自算出の注目度）: 15.576831245374906
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding and modeling the constitutive behavior of concrete is crucial for civil and defense applications, yet widely used phenomenological models such as Karagozian \& Case concrete (KCC) model depend on empirically calibrated failure surfaces that lack flexibility in model form and associated uncertainty quantification. This work develops a physics-informed framework that retains the modular elastoplastic structure of KCC model while replacing its empirical failure surface with a constrained Gaussian Process Regression (GPR) surrogate that can be learned directly from experimentally accessible observables. Triaxial compression data under varying confinement levels are used for training, and the surrogate is then evaluated at confinement levels not included in the training set to assess its generalization capability. Results show that an unconstrained GPR interpolates well near training conditions but deteriorates and violates essential physical constraints under extrapolation, even when augmented with simulated data. In contrast, a physics-informed GPR that incorporates derivative-based constraints aligned with known material behavior yields markedly better accuracy and reliability, including at higher confinement levels beyond the training range. Probabilistic enforcement of these constraints also reduces predictive variance, producing tighter confidence intervals in data-scarce regimes. Overall, the proposed approach delivers a robust, uncertainty-aware surrogate that improves generalization and streamlines calibration without sacrificing the interpretability and numerical efficiency of the KCC model, offering a practical path toward an improved constitutive models for concrete.
- Abstract（参考訳）: コンクリートの構成的挙動の理解とモデル化は, 民生・防衛的応用において重要であるが, カラゴジアン・アンド・ケースコンクリート(KCC)モデルのような現象論的モデルは, モデル形状の柔軟性や関連する不確かさの定量化に欠ける, 実験的に校正された故障面に依存している。
本研究は、KCCモデルのモジュラー弾塑性構造を維持しつつ、実験的な故障表面を、実験的にアクセス可能な可観測物から直接学習できる制約付きガウス過程回帰(GPR)サロゲートに置き換える物理インフォームドフレームワークを開発する。
種々の閉じ込めレベルにおける3軸圧縮データをトレーニングに使用し、このサロゲートをトレーニングセットに含まれない閉じ込めレベルで評価し、その一般化能力を評価する。
その結果、非拘束GPRはトレーニング条件付近でよく補間されるが、模擬データで拡張した場合であっても、外挿条件下で必須の物理的制約を悪化させ、違反することが明らかとなった。
対照的に、既知の物質挙動と整合した微分に基づく制約を組み込んだ物理学インフォームドGPRは、トレーニング範囲を超えて高い閉じ込めレベルを含む、精度と信頼性を著しく向上させる。
これらの制約の確率的適用は予測的分散を減少させ、データスカース体制においてより厳密な信頼区間を生み出す。
提案手法は,KCCモデルの解釈性や数値効率を犠牲にすることなく,一般化とキャリブレーションを向上し,コンクリートの構成モデルの改善に向けた実用的な経路を提供する。
関連論文リスト
- Another Fit Bites the Dust: Conformal Prediction as a Calibration Standard for Machine Learning in High-Energy Physics [0.0]
等角予測は任意の予測モデルを校正するための分布自由フレームワークを提供する。
回帰,二分分類,多クラス分類,異常検出,生成モデルなどに適用可能であることを示す。
我々は、コライダー物理における機械学習パイプラインの標準コンポーネントとして、共形校正を採用するべきであると論じる。
論文 参考訳（メタデータ） (2025-12-18T20:31:25Z) - Hybrid twinning using PBDW and DeepONet for the effective state estimation and prediction on partially known systems [0.0]
本研究では,物理に基づくモデリングとデータ駆動学習を組み合わせ,状態推定を強化する効果的なハイブリッド手法を提案する。
ヘルムホルツ方程式を含む代表問題に対する提案手法を検証した。
論文 参考訳（メタデータ） (2025-12-03T12:19:00Z) - Bi-level Meta-Policy Control for Dynamic Uncertainty Calibration in Evidential Deep Learning [11.953394478206581]
最適不確実性モデリングのためのKL分散係数とディリクレ事前強度を調整する動的メタ学習フレームワークであるMeta-Policy Controller (MPC)を提案する。
MPCはモデル予測の信頼性とキャリブレーションを大幅に向上させ、信頼性に基づくサンプル拒絶後の不確実性校正、予測精度、性能保持を改善する。
論文 参考訳（メタデータ） (2025-10-10T02:39:26Z) - Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。
本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
論文 参考訳（メタデータ） (2025-06-13T15:27:40Z) - CLUE: Neural Networks Calibration via Learning Uncertainty-Error alignment [7.702016079410588]
CLUE(Calibration via Learning Uncertainty-Error Alignment)は,学習中の予測不確かさを観測誤差と整合させる新しい手法である。
CLUEは,最先端のアプローチに対して,キャリブレーション品質と競争予測性能に優れることを示す。
論文 参考訳（メタデータ） (2025-05-28T19:23:47Z) - Model Hemorrhage and the Robustness Limits of Large Language Models [119.46442117681147]
大規模言語モデル(LLM)は、自然言語処理タスク全体で強力なパフォーマンスを示すが、デプロイメント用に修正された場合、大幅なパフォーマンス低下を経験する。
この現象をモデル出血(パラメータ変更とアーキテクチャ変更によるパフォーマンス低下)と定義する。
論文 参考訳（メタデータ） (2025-03-31T10:16:03Z) - On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - Semi-supervised Regression Analysis with Model Misspecification and High-dimensional Data [8.619243141968886]
条件付き平均モデルにおける回帰係数を推定するための推論フレームワークを提案する。
提案手法は,正規化推定器を適応度スコア(PS)と結果回帰(OR)モデルの両方に用い,拡張逆確率重み付き(AIPW)法を開発した。
我々の理論的な知見は、広範囲なシミュレーション研究と実世界のデータ応用を通して検証される。
論文 参考訳（メタデータ） (2024-06-20T00:34:54Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳（メタデータ） (2023-11-13T01:48:08Z) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳（メタデータ） (2023-06-14T11:41:42Z)
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。