論文の概要: Automating Structural Analysis Across Multiple Software Platforms Using Large Language Models

• arxiv url: http://arxiv.org/abs/2604.09866v1
• Date: Fri, 10 Apr 2026 19:49:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.719263
• Title: Automating Structural Analysis Across Multiple Software Platforms Using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた複数プラットフォーム間構造解析の自動化
• Authors: Ziheng Geng, Jiachen Liu, Ian Franklin, Ran Cao, Dan M. Frangopol, Minghui Cheng,
• Abstract要約: 本研究では,複数のソフトウェアプラットフォームにまたがるフレーム構造解析を自動化するLLMを開発する。 LLMは、ETABS、SAP2000、OpenSeesの3つの広く使われているプラットフォームで20の代表的なフレーム問題を用いて評価される。 10回の反復試験の結果、一貫して信頼性のある性能を示し、すべてのケースで90%を超える精度を達成した。
• 参考スコア（独自算出の注目度）: 9.633815551015745
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in large language models (LLMs) have shown the promise to significantly accelerate the workflow by automating structural modeling and analysis. However, existing studies primarily focus on enabling LLMs to operate a single structural analysis software platform. In practice, structural engineers often rely on multiple finite element analysis (FEA) tools, such as ETABS, SAP2000, and OpenSees, depending on project needs, user preferences, and company constraints. This limitation restricts the practical deployment of LLM-assisted engineering workflows. To address this gap, this study develops LLMs capable of automating frame structural analysis across multiple software platforms. The LLMs adopt a two-stage multi-agent architecture. In Stage 1, a cohort of agents collaboratively interpret user input and perform structured reasoning to infer geometric, material, boundary, and load information required for finite element modeling. The outputs of these agents are compiled into a unified JSON representation. In Stage 2, code translation agents operate in parallel to convert the JSON file into executable scripts across multiple structural analysis platforms. Each agent is prompted with the syntax rules and modeling workflows of its target software. The LLMs are evaluated using 20 representative frame problems across three widely used platforms: ETABS, SAP2000, and OpenSees. Results from ten repeated trials demonstrate consistently reliable performance, achieving accuracy exceeding 90% across all cases.
• Abstract（参考訳）: 大規模言語モデル(LLM)の最近の進歩は、構造モデリングと解析を自動化してワークフローを著しく加速する約束を示している。 しかし、既存の研究は主にLLMが単一の構造解析ソフトウェアプラットフォームを運用できるようにすることに重点を置いている。 実際には、構造エンジニアは、プロジェクトのニーズ、ユーザの好み、会社の制約に応じて、ETABS、SAP2000、OpenSeesのような複数の有限要素解析(FEA)ツールに依存していることが多い。 この制限により、LLM支援エンジニアリングワークフローの実践的な展開が制限される。 このギャップに対処するため,複数のソフトウェアプラットフォームにまたがるフレーム構造解析を自動化するLLMを開発した。 LLMは2段階のマルチエージェントアーキテクチャを採用している。 ステージ1では、エージェントのコホートがユーザ入力を協調的に解釈し、有限要素モデリングに必要な幾何学的、物質的、境界的、および負荷情報を推測する構造化推論を行う。 これらのエージェントの出力は、統一されたJSON表現にコンパイルされる。 ステージ2では、コード翻訳エージェントが並行して動作し、JSONファイルを複数の構造解析プラットフォーム上で実行可能なスクリプトに変換する。 各エージェントは、そのターゲットソフトウェアの構文ルールとモデリングワークフローでトリガーされる。 LLMは、ETABS、SAP2000、OpenSeesの3つの広く使われているプラットフォームで20の代表的なフレーム問題を用いて評価される。 10回の反復試験の結果、一貫して信頼性のある性能を示し、すべてのケースで90%を超える精度を達成した。

関連論文リスト

• A Novel Multi-Agent Architecture to Reduce Hallucinations of Large Language Models in Multi-Step Structural Modeling [14.895933109860342]
  本研究では,OpenSeesPyを用いた構造モデリングと解析を自動化する新しいマルチエージェントアーキテクチャを提案する。 提案手法は10回繰り返し試行錯誤した20フレーム問題をベンチマークで評価し、18件で100%,残りの2件で90%の精度で評価した。
  論文  参考訳（メタデータ） (2026-03-08T16:57:35Z)
• LoCoBench-Agent: An Interactive Benchmark for LLM Agents in Long-Context Software Engineering [90.84806758077536]
  textbfLoCoBench-Agentは,大規模言語モデル(LLM)エージェントを現実的,長期的ソフトウェア工学で評価するための総合的な評価フレームワークである。 我々のフレームワークは、LoCoBenchの8000のシナリオを対話型エージェント環境に拡張し、マルチターン会話の体系的評価を可能にする。 我々のフレームワークは,8つの特殊なツール(ファイル操作,検索,コード解析)をエージェントに提供し,それを10Kから1Mトークンの範囲で評価する。
  論文  参考訳（メタデータ） (2025-11-17T23:57:24Z)
• A Lightweight Large Language Model-Based Multi-Agent System for 2D Frame Structural Analysis [21.13581042992661]
  大規模言語モデル(LLM)は、工学における自律的エージェントの強化に最近使用されている。 本稿では、2次元フレームの有限要素モデリングを自動化するLLMベースのマルチエージェントシステムを提案する。 このシステムは10回の試行で80%以上の精度を達成し、Gemini-2.5 ProとChatGPT-4oモデルを上回っている。
  論文  参考訳（メタデータ） (2025-10-06T22:12:52Z)
• LLM/Agent-as-Data-Analyst: A Survey [54.08761322298559]
  大規模言語モデル(LLM)とエージェント技術は、データ分析タスクの機能と開発パラダイムに根本的な変化をもたらした。 LLMは複雑なデータ理解、自然言語、意味分析機能、自律パイプラインオーケストレーションを可能にする。
  論文  参考訳（メタデータ） (2025-09-28T17:31:38Z)
• Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction [80.88654868264645]
  Arranged and Organized extract Benchmarkは、断片化された文書を理解するための大規模言語モデルの能力を評価するために設計された。 AOEには3つの異なるドメインにまたがる11のタスクが含まれており、さまざまな入力クエリに適したコンテキスト固有のスキーマを生成するモデルが必要である。 結果は、最も先進的なモデルでさえ、かなり苦労したことを示している。
  論文  参考訳（メタデータ） (2025-07-22T06:37:51Z)
• BinMetric: A Comprehensive Binary Analysis Benchmark for Large Language Models [50.17907898478795]
  本稿では,バイナリ解析タスクにおける大規模言語モデルの性能評価のためのベンチマークであるBinMetricを紹介する。 BinMetricは6つの実用的なバイナリ分析タスクにわたる20の実際のオープンソースプロジェクトから得られた1000の質問で構成されている。 本ベンチマークの実証実験では, 各種LLMのバイナリ解析能力について検討し, その強度と限界を明らかにした。
  論文  参考訳（メタデータ） (2025-05-12T08:54:07Z)
• Integrating Large Language Models for Automated Structural Analysis [0.7373617024876725]
  本稿では,Large Language Models (LLM) と構造解析ソフトウェアを統合するフレームワークを提案する。 LLMはテキストから構造記述を解析し、それらをPythonスクリプトに変換する。 ドメイン固有のプロンプト設計とコンテキスト内学習戦略を採用し、LLMの問題解決能力と生成安定性を高める。
  論文  参考訳（メタデータ） (2025-04-13T23:10:33Z)
• From Prompts to Templates: A Systematic Prompt Template Analysis for Real-world LLMapps [20.549178260624043]
  大規模言語モデル(LLM)は、自然言語のプロンプトを通じて直感的なタスク実行を可能にすることで、人間とAIのインタラクションに革命をもたらした。 構造や単語の小さなバリエーションは、出力に大きな違いをもたらす可能性がある。 本稿では,実用LLMappにおけるプロンプトテンプレートの包括的解析について述べる。
  論文  参考訳（メタデータ） (2025-04-02T18:20:06Z)
• Demystifying AI Platform Design for Distributed Inference of Next-Generation LLM models [8.02264001053969]
  大きな言語モデル(LLM)は、広範囲のアプリケーションで顕著なパフォーマンスを示しており、しばしば人間の専門家よりも優れています。 LLMの継続的なイノベーションが最適化に役立ち、モデルアーキテクチャはブレークネックスピードで進化しているため、サービスレベルオブジェクト(SLO)を満たすためのハードウェア要件は、オープンな研究課題のままである。 我々は、多様なLLMモデルアーキテクチャとAIプラットフォーム設計パラメータの関係を効率的にナビゲートする分析ツールGenZを提案する。
  論文  参考訳（メタデータ） (2024-06-03T18:00:50Z)
• Small LLMs Are Weak Tool Learners: A Multi-LLM Agent [73.54562551341454]
  大規模言語モデル(LLM)エージェントはスタンドアロンのLLMの機能を大幅に拡張する。 本稿では、上記の機能をプランナー、呼び出し元、要約器に分解する新しい手法を提案する。 このモジュール化されたフレームワークは、個々の更新と、それぞれの機能を構築するための小さなLLMの潜在的な使用を容易にする。
  論文  参考訳（メタデータ） (2024-01-14T16:17:07Z)
• LAMM: Language-Assisted Multi-Modal Instruction-Tuning Dataset, Framework, and Benchmark [81.42376626294812]
  本稿では,Language-Assisted Multi-Modalインストラクションチューニングデータセット,フレームワーク,ベンチマークを提案する。 我々の目標は、MLLMのトレーニングと評価のための成長するエコシステムとしてLAMMを確立することです。 本稿では,2次元および3次元視覚のための広範囲な視覚タスクをカバーする包括的データセットとベンチマークを提案する。
  論文  参考訳（メタデータ） (2023-06-11T14:01:17Z)

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。