論文の概要: Field Validation of a Multi-Resolution ConvLSTM Framework for Retaining Wall Deformation Prediction

• arxiv url: http://arxiv.org/abs/2606.05556v2
• Date: Mon, 08 Jun 2026 06:58:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:04.976258
• Title: Field Validation of a Multi-Resolution ConvLSTM Framework for Retaining Wall Deformation Prediction
• Title（参考訳）: 壁面変形予測のための多解ConvLSTMフレームワークのフィールド検証
• Authors: Jihoon Kim, Saeyon Kim, Heejung Youn,
• Abstract要約: 本研究では,多解像度畳み込み長短期記憶(ConvLSTM)フレームワークの総合的フィールド検証を行い,段階的掘削時の壁面変形の予測を行う。 提案手法は, 韓国の11ヶ所の発掘現場における34個の傾斜計の現地モニタリングデータを用いて検証した。
• 参考スコア（独自算出の注目度）: 3.354803148161992
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study presents a comprehensive field validation of a multi-resolution Convolutional Long Short-Term Memory (ConvLSTM) framework for predicting retaining wall deformation during staged excavation. The framework is trained on Gaussian noise-augmented numerical simulations and integrates ConvLSTM models operating at different temporal resolutions through a stacking ensemble strategy. The proposed framework is validated using field monitoring data from 34 inclinometers across 11 excavation sites in South Korea. Site-wise prediction performance is systematically evaluated using multiple evaluation metrics, with analyses of the influence of temporal deformation irregularity and spatiotemporal prediction characteristics on model performance. The results demonstrate that the framework predicts retaining wall deformation associated with up to 5.0 m of additional excavation with an average mean absolute error of 1.4 mm and a coefficient of determination of 0.93 across the excavation sites. These results indicate that the framework, although trained exclusively on numerically simulated and augmented database, can be effectively applied to diverse field excavation conditions and achieve a reliable level of prediction accuracy in practical retaining wall deformation prediction.
• Abstract（参考訳）: 本研究では,多解像度畳み込み長短期記憶(ConvLSTM)フレームワークの総合的フィールド検証を行い,段階的掘削時の壁面変形の予測を行った。 このフレームワークはガウス雑音増強数値シミュレーションに基づいて訓練され、積み重ねアンサンブル戦略を通じて異なる時間分解能で動作するConvLSTMモデルを統合する。 提案手法は, 韓国の11ヶ所の発掘現場における34個の傾斜計の現地モニタリングデータを用いて検証した。 複数の評価指標を用いてサイトワイズ予測性能を体系的に評価し,時間的変形の不規則性および時空間予測特性がモデル性能に与える影響を解析した。 その結果, このフレームワークは, 平均絶対誤差1.4mm, 決定係数0.93で, 付加掘削の最大5.0mに伴う壁面の変形を予測できることがわかった。 これらの結果から, このフレームワークは, 数値シミュレーションおよび拡張データベースに特化して訓練されているものの, 多様なフィールド掘削条件に効果的に適用でき, 実際に壁面変形予測を行う際に, 信頼性の高い予測精度が得られることが示唆された。

関連論文リスト

• Spatio-Temporal Forecasting of Retaining Wall Deformation: Mitigating Error Accumulation via Multi-Resolution ConvLSTM Stacking Ensemble [3.7704625373713543]
  異なる入力解像度でトレーニングされた3つのConvLSTMモデルを、完全に接続されたニューラルネットワークメタリアナを使用して統合し、アンサンブルモデルを構築した。 数値結果と実測値の両方を用いて検証したところ、アンサンブルアプローチはスタンドアローンのConvLSTMモデルよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2026-03-11T06:12:00Z)
• Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
  高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-15T08:41:36Z)
• Multiply Robust Conformal Risk Control with Coarsened Data [0.0]
  コンフォーマル予測(CP)は近年,膨大な関心を集めている。 本稿では、粗いデータから得られる結果に対して、分布自由な有効予測領域を得るという一般的な問題について考察する。 半パラメトリック理論の原則的利用は、フレキシブルな機械学習手法の促進の鍵となる利点を持つ。
  論文  参考訳（メタデータ） (2025-08-21T12:14:44Z)
• Minimum Volume Conformal Sets for Multivariate Regression [44.99833362998488]
  等角予測は、有限サンプルの妥当性を持つ予測集合を構築するための原則化された枠組みを提供する。 本稿では,最小整合被覆集合を直接学習する新しい損失関数に基づく最適化駆動フレームワークを提案する。 提案手法は, 任意のノルム球によって定義された予測集合を最適化し, 単ノルムおよび多ノルムの定式化を含む。
  論文  参考訳（メタデータ） (2025-03-24T18:54:22Z)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Ensemble Prediction via Covariate-dependent Stacking [0.0]
  本研究では,CDST (covariate-dependent stacking) という,アンサンブル予測の新しい手法を提案する。 従来の積み重ね法やモデル平均化法とは異なり、CDSTはモデルの重みを共変量の関数として柔軟に変化させることができる。 以上の結果から,CDSTは複雑性・時間的予測問題に特に有用であるが有用ではないことが示唆された。
  論文  参考訳（メタデータ） (2024-08-19T07:31:31Z)
• Addressing Misspecification in Simulation-based Inference through Data-driven Calibration [43.811367860375825]
  本研究は, モデル不特定性を克服するフレームワークであるロPEを導入し, 実世界の小キャリブレーションによる地下構造パラメータの測定を行った。 4つの合成課題と2つの実世界の問題により、RoPEはベースラインを上回り、情報的およびキャリブレーションされた信頼区間を一貫して返却することを示した。
  論文  参考訳（メタデータ） (2024-05-14T16:04:39Z)
• Deep Learning-based Prediction of Stress and Strain Maps in Arterial Walls for Improved Cardiovascular Risk Assessment [0.0]
  本研究では、動脈壁の2次元断面における応力-ひずみ場予測において、FEMの代替としてエンド・ツー・エンドのディープラーニングツールが有効である可能性について検討した。 まず,U-Net を用いた完全畳み込みニューラルネットワーク (CNN) を提案し,動脈壁断面における石灰化の空間的配置に基づくフォン・ミセス応力とひずみ分布の予測を行った。 本研究では, 各種石灰化量と空間構成の異なる動脈壁の応力およびひずみ場マップの予測精度を, 特に知覚的視点から向上する条件付き生成逆数ネットワーク(cGAN)を開発した。
  論文  参考訳（メタデータ） (2023-08-03T14:00:01Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)

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。