論文の概要: A Hybrid Gaussian Process-Extreme Gradient Boosting Machine Learning Framework for Robust Knockdown Factor Prediction and Reliability-Based Design of Thin Spherical Shell Caps

• arxiv url: http://arxiv.org/abs/2610.15862v1
• Date: Sun, 11 Oct 2026 19:30:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 15:35:10.909474
• Title: A Hybrid Gaussian Process-Extreme Gradient Boosting Machine Learning Framework for Robust Knockdown Factor Prediction and Reliability-Based Design of Thin Spherical Shell Caps
• Title（参考訳）: ロバストノックダウン係数予測と信頼性に基づく薄球殻キャップ設計のためのハイブリッドガウスプロセス-極勾配ブースト機械学習フレームワーク
• Abstract要約: 弾性座屈は深い球状シェルキャップの設計において重要な関心事である。 本研究では,実験データに基づいて学習した機械学習回帰モデルを用いて,球状シェルキャップのノックダウン係数(KDF)の保存性を狭めることを目的とする。
• 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: Elastic buckling remains a critical concern in the design of deep spherical shell caps, given that experiments reveal a significant reduction of critical loads from those predicted by linearized eigen-buckling analysis. This discrepancy has been attributed to initial geometric imperfections and is often reconciled through a dimensionless parameter, namely the knockdown factor (KDF). However, conventional KDFs (NASA SP-8007; Eurocode 3) are highly conservative, as they represent the lower bound of an extensive body of experimental data. This study aims to narrow the conservatism in the KDFs for spherical shell caps through machine learning (ML) regression models trained on experimental data on spherical shell buckling. A hybrid model is proposed by combining Gaussian Process Regression (GPR) with Extreme Gradient Boosting (XGBoost), and its improved performance is demonstrated over conventional ML algorithms, i.e., the Artificial Neural Network (ANN), Support Vector Regressor (SVR), Random Forest Regressor (RFR), and Histogram-based Gradient Boosting (HGBoost). Each of these models uses six input features and a single output, i.e., the KDF. The most critical feature affecting the KDF is ascertained through a sensitivity analysis. The study concludes with a reliability-based design framework that relies on the predictive ML model to obtain safety-consistent, yet less conservative, KDFs.
• Abstract（参考訳）: 弾性座屈は、線形化された固有座屈解析によって予測されるものから臨界荷重を著しく減少させる実験があることを考えると、深い球状殻キャップの設計において重要な関心事である。 この不一致は初期の幾何学的不完全性によるものと考えられており、しばしば無次元パラメータ、すなわちノックダウン係数(KDF)を通して和らげられる。 しかし、従来のKDF(NASA SP-8007; Eurocode 3)は非常に保守的であり、これは広範な実験データの下限を表している。 本研究の目的は, 球殻座屈実験データに基づく機械学習回帰モデルを用いて, 球殻キャップのKDFの保存性を狭めることである。 ガウス過程回帰(GPR)とエクストリームグラディエントブースティング(XGBoost)を組み合わせることでハイブリッドモデルを提案し、従来のMLアルゴリズム、すなわちニューラルニューラルネットワーク(ANN)、サポートベクター回帰(SVR)、ランダムフォレスト回帰(RFR)、ヒストグラムベースのグラディエントブースティング(HGBoost)でその性能を実証した。 これらのモデルはそれぞれ6つの入力特徴と1つの出力、すなわちKDFを使用する。 KDFの最も重要な特徴は感度分析によって確認される。 この研究は、安全で保守的でないKDFを得るために、予測的MLモデルに依存する信頼性ベースの設計フレームワークで締めくくっている。

関連論文リスト

• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Relative Kinetic Utility for Reasoning-Aware Structural Pruning in Large Language Models [0.0]
  モデルの深さ多様体上での連続的な運動積分に離散的なプルーニングを高める新しい枠組みを提案する。 Qwen-2.5-7B と LLaMA-3-8B の試験により、高スパーシティのシステムの性能は40%向上した。 RKUはGSM8Kで40%の精度で13.34%の精度を達成し、最強のベースラインを上回った。
  論文  参考訳（メタデータ） (2026-05-09T15:47:53Z)
• Observationally Informed Adaptive Causal Experimental Design [55.998153710215654]
  本稿では,観測モデルを基礎的先行として活用する新たなパラダイムであるアクティブ残留学習を提案する。 このアプローチは、実験的な焦点を、目標因果量の学習から、観察バイアスの補正に必要な残差を効率的に推定するへとシフトさせる。 合成および半合成ベンチマークの実験は、R-Designがベースラインを大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2026-03-04T06:52:37Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• Nested Annealed Training Scheme for Generative Adversarial Networks [54.70743279423088]
  本稿では、厳密な数学的理論的枠組みである複合機能段階GAN(CFG)に焦点を当てる。 CFGモデルとスコアベースモデルとの理論的関係を明らかにする。 CFG判別器の学習目的は最適D(x)を求めることと等価であることがわかった。
  論文  参考訳（メタデータ） (2025-01-20T07:44:09Z)
• Alpha-VI DeepONet: A prior-robust variational Bayesian approach for enhancing DeepONets with uncertainty quantification [0.0]
  一般化変分推論(GVI)を組み込んだ新しいディープオペレータネットワーク(DeepONet)を提案する。 分岐ネットワークとトランクネットワークのビルディングブロックとしてベイズニューラルネットワークを組み込むことで,不確実な定量化が可能なDeepONetを実現する。 変動目的関数の修正は平均二乗誤差を最小化する点で優れた結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-08-01T16:22:03Z)
• Optimal Rates and Saturation for Noiseless Kernel Ridge Regression [4.585021053685196]
  ノイズレスシステムにおけるカーネルリッジ回帰(KRR)の総合的研究について述べる。 KRRは有限標本から関数を学習するための基本的な方法である。 我々は、カーネルメソッドの解析に広く適用可能な、洗練された自由度の概念を導入する。
  論文  参考訳（メタデータ） (2024-02-24T04:57:59Z)
• Understanding, Predicting and Better Resolving Q-Value Divergence in Offline-RL [86.0987896274354]
  まず、オフラインRLにおけるQ値推定のばらつきの主な原因として、基本パターン、自己励起を同定する。 そこで本研究では,Q-network の学習における進化特性を測定するために,SEEM(Self-Excite Eigen Value Measure)尺度を提案する。 われわれの理論では、訓練が早期に発散するかどうかを確実に決定できる。
  論文  参考訳（メタデータ） (2023-10-06T17:57:44Z)
• Beyond the Universal Law of Robustness: Sharper Laws for Random Features and Neural Tangent Kernels [14.186776881154127]
  本稿では、ランダム特徴とニューラル・タンジェント・カーネル(NTK)の2つの設定における経験的リスク最小化に焦点を当てた。 ランダムな特徴に対して、モデルが任意のパラメータ化の度合いに対してロバストであることは、普遍的ロバスト性法則から生じる必要条件が満たされている場合でも証明する。 本研究の結果は, 合成および標準原型データセットの数値的証拠によって裏付けられている。
  論文  参考訳（メタデータ） (2023-02-03T09:58:31Z)

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。