論文の概要: Data-Efficient Indentation Size Effect Correction in Steels Using Machine Learning and Physics-Guided Augmentation

• arxiv url: http://arxiv.org/abs/2604.27775v1
• Date: Thu, 30 Apr 2026 12:12:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.079436
• Title: Data-Efficient Indentation Size Effect Correction in Steels Using Machine Learning and Physics-Guided Augmentation
• Title（参考訳）: 機械学習と物理誘導増幅を用いた鋼中のデータ効率の良いインデンテーションサイズ効果補正
• Authors: Radmir Karamov, Tagir Karamov,
• Abstract要約: 本研究では,物理誘導型特徴工学と拡張による参照硬さの予測に,小さな実験データセットを用いる方法について検討した。 硬度範囲が2-6.5 GPaの鋼製基準試料から約700個の実験的インデンテーションが採取された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shallow nanoindentation enables mechanical characterization of thin films, individual phases and other volume-constrained materials, but measured hardness is often inflated by the indentation size effect (ISE), contact-area errors and tip-geometry artifacts. Classical ISE corrections such as the Nix-Gao require a deep linear regime and are unreliable when only shallow measurements are used. This study investigates how a small experimental dataset can be used to predict a reference hardness with physics-guided feature engineering and augmentation. Approximately 700 experimental indentations were collected from three steel reference specimens covering a hardness range of 2-6.5 GPa and augmented using physically motivated variations representing instrumental noise, session-level drift, and local multiphase boundary blending. The input space combined Oliver-Pharr values with mechanics descriptors, including indentation work partitioning, ($H\text{/}E_{r}$), and the area-invariant compliance proxy ($P_{\max}\text{/}S^{2}$). Ridge Regression (RR), Random Forest, XGBoost, and Neural Networks (NN) were evaluated using a quarantined fourth steel specimen tested at staggered loads. The hardness mapping was nonlinear: RR failed, whereas nonlinear models achieved ($R^2 > 0.98$) internally. A constrained (64-8-64) NN gave the best results, reaching RMSE = 0.470 GPa, MAPE = 5.4% on the quarantined steel. Unlike Nix-Gao analysis, the NN produced stable estimates in the shallow regime. SHAP and latent-space analysis showed reliance on area-invariant and energy-based descriptors. The results demonstrate the feasibility of a this workflow for ISE correction in steels using small datasets and suggest a pathway toward data-efficient characterization of any volume constrained materials.
• Abstract（参考訳）: 浅層ナノインデンテーションは、薄膜、個々の相、その他の体積拘束材料を機械的に特徴づけることができるが、測定された硬さは、インデンテーションサイズ効果(ISE)、接触面積誤差、先端形状のアーティファクトによってしばしば膨らませられる。 Nix-Gaoのような古典的なISE補正には深い線形構造が必要であり、浅い測定だけを使用すると信頼性が低い。 本研究では,物理誘導型特徴工学と拡張による参照硬さの予測に,小さな実験データセットを用いる方法について検討した。 2-6.5 GPaの硬さ範囲をカバーし, 楽器音, セッションレベルドリフト, 局所多相境界ブレンドを特徴とする物理的に動機付けられた変化を用いて, 3種類の鋼鉄製基準試料から約700個の実験的インデンテーションを採取した。 入力空間は、Oliver-Pharr値と、インデンテーションワークパーティショニング($H\text{/}E_{r}$)と、領域不変のコンプライアンスプロキシ($P_{\max}\text{/}S^{2}$)を含むメカニクス記述子を組み合わせた。 静止荷重下で試験した4番目の鉄製検体を用いて、リッジ回帰(RR)、ランダムフォレスト(Random Forest)、XGBoost(XGBoost)、ニューラル・ネットワーク(NN)を評価した。 RRは失敗し、非線形モデルは内部で達成された(R^2 > 0.98$)。 拘束された (64-8-64) NN は、RMSE = 0.470 GPa, MAPE = 5.4% に達した。 Nix-Gao分析とは異なり、NNは浅い状態において安定した推定を導出した。 SHAPと潜時空間解析は面積不変およびエネルギーベース記述子に依存していた。 これらの結果から, 鋼板のISE補正のワークフローの実現可能性を示し, 容積制約材料のデータ効率評価への道筋が示唆された。

関連論文リスト

• Localization of Impacts on Thin-Walled Structures by Recurrent Neural Networks: End-to-end Learning from Real-World Data [45.9982965995401]
  薄肉構造への影響は、圧電センサで測定できるラム波を励起する。 逐次センサデータから直接、衝撃位置をエンドツーエンドに推定するために、リカレントニューラルネットワーク(RNN)を提案する。 その結果,比較的小さなデータセットであっても,衝撃位置の推定精度は著しく向上した。
  論文  参考訳（メタデータ） (2025-05-13T09:08:47Z)
• DispFormer: A Pretrained Transformer Incorporating Physical Constraints for Dispersion Curve Inversion [56.64622091009756]
  本研究では、レイリー波位相と群分散曲線からプロファイルインバージョンを$v_s$とするトランスフォーマーベースのニューラルネットワークであるDispFormerを紹介する。 DispFormerは各期間に分散データを個別に処理し、ネットワークの変更やデータセットのトレーニングとテストの厳格な調整を必要とせずに、さまざまな長さを処理できる。
  論文  参考訳（メタデータ） (2025-01-08T09:08:24Z)
• Network scaling and scale-driven loss balancing for intelligent poroelastography [2.665036498336221]
  フルウェーブフォームデータからポリ弾性媒体のマルチスケールキャラクタリゼーションのためのディープラーニングフレームワークを開発した。 2つの大きな課題は、この目的のために既存の最先端技術を直接適用することを妨げる。 本稿では, ニューラルネットワークをスケーリング層に構成した単位形状関数を用いて, ニューラルプロパティマップを構築する, エンフェネティックスケーリングの考え方を提案する。
  論文  参考訳（メタデータ） (2024-10-27T23:06:29Z)
• Full Event Particle-Level Unfolding with Variable-Length Latent Variational Diffusion [44.6263403467016]
  生成機械学習モデルは、多数の次元で未結合の展開を実行することを約束している。 生成的展開に対する変動潜在拡散モデル(VLD)アプローチの新たな変更について述べる。 この手法の性能は、大型ハドロン衝突型加速器における半レプトニックトップクォーク対生成の文脈で評価される。
  論文  参考訳（メタデータ） (2024-04-22T16:47:10Z)
• Learning Discretized Neural Networks under Ricci Flow [48.47315844022283]
  低精度重みとアクティベーションからなる離散ニューラルネットワーク(DNN)について検討する。 DNNは、訓練中に微分不可能な離散関数のために無限あるいはゼロの勾配に悩まされる。
  論文  参考訳（メタデータ） (2023-02-07T10:51:53Z)
• Physics-Informed Neural Networks for Material Model Calibration from Full-Field Displacement Data [0.0]
  本研究では,実環境下でのフルフィールド変位と大域力データからモデルのキャリブレーションを行うためのPINNを提案する。 拡張PINNは、実験的な1次元データと合成フルフィールド変位データの両方から材料パラメータを識別できることを実証した。
  論文  参考訳（メタデータ） (2022-12-15T11:01:32Z)
• Bayesian Deep Learning for Partial Differential Equation Parameter Discovery with Sparse and Noisy Data [0.0]
  本研究では,ベイジアンニューラルネットワーク(BNN)を用いて,測定データからシステム全体の状態を復元する手法を提案する。 過度に適合することなく、様々な複雑さの物理学を正確に捉えることができることを示す。 我々は、物理学や非線形力学に適用されたいくつかの例について、我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2021-08-05T19:43:15Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Towards Reflectivity profile inversion through Artificial Neural Networks [0.0]
  スペクトル中性子とX線反射率の目標は、実験反射率曲線から長さ密度プロファイルを散乱する材料を推定することである。 本稿では,ニューラルネットワークを用いた非可逆問題に対する元来のアプローチについて検討する。
  論文  参考訳（メタデータ） (2020-10-15T10:09:09Z)

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。