論文の概要: Human-Enhanced Loop Modeling (HELM): Agent-Based Finite Element Modeling of Concrete Bridge Barriers
- arxiv url: http://arxiv.org/abs/2606.12025v2
- Date: Thu, 11 Jun 2026 09:50:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-12 13:39:59.68445
- Title: Human-Enhanced Loop Modeling (HELM): Agent-Based Finite Element Modeling of Concrete Bridge Barriers
- Title（参考訳）: 人間強化ループモデリング(HELM):コンクリート橋梁のエージェントベース有限要素モデリング
- Authors: Quankai Wang, Yulin Xie, Tongfei Yang, Minghui Cheng, Ran Cao,
- Abstract要約: 本稿では,長周期有限要素モデリングを離散的,視覚的に検証可能なチェックポイントに分解する協調型ヒューマンエージェントプロトコルを提案する。
本フレームワークは,MASH TL-4およびTL-5側装荷条件下で補強コンクリート橋梁の20ケースマトリクスを用いて実演する。
実験結果から,HELMはベースラインの自律モデリング成功率を20%から75%に改善し,エージェントレベルの通過率と境界条件の約2倍に向上した。
- 参考スコア（独自算出の注目度）: 0.16311150636417257
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Finite element (FE) modeling of safety-critical infrastructure such as bridge barriers requires high-fidelity nonlinear dynamic analysis, yet the current FE modeling process remains labor-intensive and lacks automation. This paper presents the Human-Enhanced Loop Modeling (HELM) framework, a collaborative human-agent protocol that decomposes long-sequence finite element modeling into discrete, visually verifiable checkpoints across geometry generation, boundary condition definition, and material assignment. The framework is demonstrated through a 20-case matrix of reinforced concrete bridge barriers under MASH TL-4 and TL-5 lateral loading conditions, interfacing specialized agents with two widely used commercial FE softwares, i.e., ANSYS and LS-PrePost. Experimental results show that HELM improves the baseline autonomous modeling success rate from 20% to 75%, with agent-level pass rates for geometry and boundary condition tasks approximately doubling. Error analysis reveals that spatial reasoning and algebraic logic limitations constitute the primary failure modes, underscoring the value of structured human-in-the-loop intervention for modeling automation. The complete agent design code and prompts are open-sourced and can be accessed at: https://github.com/SimAgentDev/Ansys-LSPP-AgentKit.
- Abstract（参考訳）: 橋梁バリアなどの安全クリティカルインフラストラクチャの有限要素(FE)モデリングには高忠実度非線形動的解析が必要であるが、現在のFEモデリングプロセスは労働集約的であり、自動化が欠如している。
本稿では,長周期有限要素モデリングを離散的かつ視覚的に検証可能なチェックポイントに分解する,協調的なヒューマンエージェントプロトコルであるHuman-Enhanced Loop Modeling (HELM)フレームワークを提案する。
このフレームワークは、MASH TL-4およびTL-5の横荷重条件下で強化コンクリート橋梁バリアの20ケースマトリックスを用いて、広く使われている2つの商用FEソフトウェア、すなわちANSYSとLS-PrePostで対面した特殊エージェントによって実証される。
実験結果から,HELMはベースラインの自律モデリング成功率を20%から75%に改善し,エージェントレベルの通過率と境界条件の約2倍に向上した。
誤り解析により、空間的推論と代数的論理の制限が第一の失敗モードを構成し、モデリング自動化のための構造化された人間のループ介入の価値を裏付けることが明らかとなった。
完全なエージェント設計コードとプロンプトはオープンソースであり、https://github.com/SimAgentDev/Ansys-LSPP-AgentKitでアクセスできる。
関連論文リスト
- VFEAgent: A Multimodal Agent Framework for End-to-End Automated Finite Element Analysis [34.66954835079288]
VFEAgentは、入力画像と問題記述から直接FEAモデリングとシミュレーションを自動化するために設計されたエンドツーエンドのマルチエージェントシステムである。
VFEAgentは、完全かつ物理的に有効なシミュレーションを生成する上で、高い成功率を達成する。
論文 参考訳（メタデータ） (2026-05-27T18:34:04Z) - LLM-driven design of physics-constrained constitutive models: two agents are better than one [0.0]
モデル生成のためのマルチエージェントLPM駆動型アプローチを初めて導入する。
作成エージェントがデータに合わせたモデルを提案し、インスペクタエージェントが9つの物理的制約に対して各提案を監査する。
この概念を、人工ニューラルネットワーク(CANN)で実証し、脳組織、実験ゴム、合成ゴムでベンチマークする。
論文 参考訳（メタデータ） (2026-05-22T15:27:09Z) - On Predicting the Post-training Potential of Pre-trained LLMs [60.07459271263409]
本稿では,ポストトレーニング前のベースモデルの性能予測という,ポストトレーニング後の潜在能力を予測するための新しいタスクを紹介する。
本稿では,応答判別を活用することで,ベースモデルの生成ギャップを回避できる統一フレームワークであるRuDEを提案する。
実験では、トレーニング後のパフォーマンスと90%以上の相関を示す。
論文 参考訳（メタデータ） (2026-05-12T11:33:49Z) - Insight-V++: Towards Advanced Long-Chain Visual Reasoning with Multimodal Large Language Models [65.4947731385794]
基礎画像中心モデルであるInsight-Vから進化した統合多エージェント視覚推論フレームワークを提案する。
空間的時間的推論を強化し、評価ロバスト性を向上させる2つの新しいアルゴリズムST-GRPOとJ-GRPOを導入する。
LLaVA-NeXTやQwen2.5-VLといったベースモデルの実験は、挑戦的な画像とビデオの推論ベンチマーク間で大きなパフォーマンス向上を示している。
論文 参考訳（メタデータ） (2026-03-18T15:28:07Z) - NExT-OMNI: Towards Any-to-Any Omnimodal Foundation Models with Discrete Flow Matching [64.10695425442164]
NExT-OMNI(英語版)は、離散フローパラダイムによる統一モデリングを実現するオープンソース・オムニモーダル・ファンデーション・モデルである。
NExT-OMNIは、大規模なインターリーブ付きテキスト、画像、ビデオ、オーディオデータに基づいて訓練され、マルチモーダル生成および理解ベンチマーク上で競合するパフォーマンスを提供する。
さらなる研究を進めるために、トレーニングの詳細、データプロトコル、およびコードとモデルチェックポイントの両方をオープンソース化する。
論文 参考訳（メタデータ） (2025-10-15T16:25:18Z) - 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) - ToolACE-MT: Non-Autoregressive Generation for Agentic Multi-Turn Interaction [84.90394416593624]
大規模言語モデル(LLM)によるエージェント的タスク解決には,多ターン・マルチステップインタラクションが必要である。
既存のシミュレーションベースのデータ生成手法は、複数のエージェント間のコストのかかる自己回帰的相互作用に大きく依存している。
本稿では,高品質なマルチターンエージェント対話を構築するための非自己回帰反復生成フレームワークであるToolACE-MTを提案する。
論文 参考訳（メタデータ） (2025-08-18T07:38:23Z) - OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。
我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。
我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
論文 参考訳（メタデータ） (2025-08-07T17:54:15Z) - DREAMS: Density Functional Theory Based Research Engine for Agentic Materials Simulation [1.3821435284269523]
エージェント材料スクリーニングのためのDFTベースリサーチエンジン(DREAMS)について紹介する。
DREAMSはDFTシミュレーションのための階層的マルチエージェントフレームワークであり、LLM(Central Large Language Model)プランナーエージェントとドメイン固有のLLMエージェントを組み合わせたものである。
DREAMSをSol27LC格子定数ベンチマークで検証し,人間のDFT専門家と比較すると平均誤差を1%以下に抑えることができた。
論文 参考訳（メタデータ） (2025-07-18T15:26:04Z) - ChatCFD: An LLM-Driven Agent for End-to-End CFD Automation with Domain-Specific Structured Reasoning [4.098524616768554]
ChatCFDはOpenFOAMシミュレーションのための自動エージェントシステムである。
その4段階のパイプラインは、複雑なセットアップのために反復的なトライアル-リフレクション-リファインメントを可能にする。
ChatCFDは、協調マルチエージェントシステムのためのMPPベースのエージェントネットワークにおいて、モジュラーコンポーネントとして強力な可能性を示している。
論文 参考訳（メタデータ） (2025-05-28T08:43:49Z)
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。