論文の概要: Comparative Assessment of Concrete Compressive Strength Prediction at Industry Scale Using Embedding-based Neural Networks, Transformers, and Traditional Machine Learning Approaches

• arxiv url: http://arxiv.org/abs/2601.09096v1
• Date: Wed, 14 Jan 2026 02:58:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.232174
• Title: Comparative Assessment of Concrete Compressive Strength Prediction at Industry Scale Using Embedding-based Neural Networks, Transformers, and Traditional Machine Learning Approaches
• Title（参考訳）: 埋め込み型ニューラルネットワーク, トランスフォーマー, 従来の機械学習アプローチを用いた産業規模におけるコンクリートの圧縮強度予測の比較評価
• Authors: Md Asiful Islam, Md Ahmed Al Muzaddid, Afia Jahin Prema, Sreenath Reddy Vuske,
• Abstract要約: 本研究は, 約70,000の圧縮強度試験記録からなる産業規模のデータセットを活用する。 線形回帰、決定木、ランダム森林、トランスフォーマーベースニューラルネットワーク、埋め込み型ニューラルネットワークなど、複数の予測アプローチを評価し比較する。 その結果、埋め込みベースのニューラルネットワークは従来の機械学習やトランスフォーマーベースのモデルよりも一貫して優れており、平均28日間の予測誤差は約2.5%に達することが示唆された。
• 参考スコア（独自算出の注目度）: 2.5549053872135854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Concrete is the most widely used construction material worldwide; however, reliable prediction of compressive strength remains challenging due to material heterogeneity, variable mix proportions, and sensitivity to field and environmental conditions. Recent advances in artificial intelligence enable data-driven modeling frameworks capable of supporting automated decision-making in construction quality control. This study leverages an industry-scale dataset consisting of approximately 70,000 compressive strength test records to evaluate and compare multiple predictive approaches, including linear regression, decision trees, random forests, transformer-based neural networks, and embedding-based neural networks. The models incorporate key mixture design and placement variables such as water cement ratio, cementitious material content, slump, air content, temperature, and placement conditions. Results indicate that the embedding-based neural network consistently outperforms traditional machine learning and transformer-based models, achieving a mean 28-day prediction error of approximately 2.5%. This level of accuracy is comparable to routine laboratory testing variability, demonstrating the potential of embedding-based learning frameworks to enable automated, data-driven quality control and decision support in large-scale construction operations.
• Abstract（参考訳）: コンクリートは世界でも最も広く使用されている建設材料であるが, 材料不均一性, 異種混合率, フィールドおよび環境条件に対する感受性などにより, 圧縮強度の信頼性の高い予測は依然として困難である。 近年の人工知能の進歩により、構築品質管理における自動意思決定を支援するデータ駆動モデリングフレームワークが実現されている。 本研究では, 線形回帰, 決定木, ランダム林, トランスフォーマーベースニューラルネットワーク, 埋め込み型ニューラルネットワークなど, 約7万の圧縮強度試験記録からなる産業規模のデータセットを用いて, 予測手法の評価と比較を行う。 これらのモデルには, 水セメント比, セメント含有量, スランプ, 空気含有量, 温度, 配置条件などの重要な混合設計と配置変数が組み込まれている。 その結果、埋め込みベースのニューラルネットワークは従来の機械学習やトランスフォーマーベースのモデルよりも一貫して優れており、平均28日間の予測誤差は約2.5%に達することが示唆された。 このレベルの精度は、大規模な建設作業において、自動でデータ駆動品質制御と意思決定支援を可能にする組み込みベースの学習フレームワークの可能性を示す、通常の実験室テストのバリエーションに匹敵する。

関連論文リスト

• DeepCQ: General-Purpose Deep-Surrogate Framework for Lossy Compression Quality Prediction [4.634179787231294]
  圧縮品質の損失予測のための汎用的なディープサロゲートフレームワーク(DeepCQ)を提案する。 我々の結果はフレームワークの異常な予測精度を強調しており、ほとんどの設定で予測エラーは10%以下である。
  論文  参考訳（メタデータ） (2025-12-24T21:46:17Z)
• Hybrid machine learning based scale bridging framework for permeability prediction of fibrous structures [0.0]
  本研究では,繊維状繊維構造の透水性を予測するための,ハイブリッド機械学習に基づくスケールブリジングフレームワークを提案する。 SSM(Single Scale Method)、SUM(Simple Upscaling Method)、SBM(Scale-Bridging Method)、FRM(Fully Resolved Model)の4つの手法が評価された。
  論文  参考訳（メタデータ） (2025-02-07T16:09:25Z)
• Neural Network Modeling of Microstructure Complexity Using Digital Libraries [1.03590082373586]
  本研究では, 人工・スパイクニューラルネットワークの性能評価を行い, 疲労き裂進展とチューリングパターンの発達を予測した。 我々の評価では、漏れた統合・火災ニューロンモデルの方が、少ないパラメータと少ないメモリ使用量で予測精度が優れていることが示唆されている。
  論文  参考訳（メタデータ） (2025-01-30T07:44:21Z)
• Mechanics and Design of Metastructured Auxetic Patches with Bio-inspired Materials [0.5033155053523042]
  本研究は, 絹フィブロインから作製した正弦波状構造を有する触覚パッチのニューラルネットワークによる計算モデルに焦点をあてる。 提案する枠組みは, 医療用バイオインスパイアされた生体組織の設計において, 重要な進歩を示すものである。
  論文  参考訳（メタデータ） (2025-01-08T03:57:20Z)
• Regularized Neural Ensemblers [55.15643209328513]
  本研究では,正規化ニューラルネットワークをアンサンブル手法として活用することを検討する。 低多様性のアンサンブルを学習するリスクを動機として,ランダムにベースモデル予測をドロップすることで,アンサンブルモデルの正規化を提案する。 このアプローチはアンサンブル内の多様性の低い境界を提供し、過度な適合を減らし、一般化能力を向上させる。
  論文  参考訳（メタデータ） (2024-10-06T15:25:39Z)
• Designing Robust Transformers using Robust Kernel Density Estimation [47.494628752936165]
  異なるトランスフォーマーアーキテクチャに組み込むことができる一連の自己注意機構を導入する。 次に、言語モデリングと画像分類タスクについて広範な実証的研究を行う。
  論文  参考訳（メタデータ） (2022-10-11T21:39:52Z)
• On the Robustness of Random Forest Against Untargeted Data Poisoning: An Ensemble-Based Approach [42.81632484264218]
  機械学習モデルでは、トレーニングセット(中毒)の分画の摂動が、モデルの精度を著しく損なう可能性がある。 本研究の目的は、ランダムな森林を標的のない無作為な毒殺攻撃から保護する、新しいハッシュベースのアンサンブルアプローチを実現することである。
  論文  参考訳（メタデータ） (2022-09-28T11:41:38Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)
• Predictive modeling approaches in laser-based material processing [59.04160452043105]
  本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。 その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。 結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
  論文  参考訳（メタデータ） (2020-06-13T17:28:52Z)

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。