論文の概要: Explainable Machine Learning Analysis of Temperature Effects on Mechanical Strength of Fiber-Reinforced High-Performance Concrete
- arxiv url: http://arxiv.org/abs/2610.23811v1
- Date: Fri, 16 Oct 2026 17:34:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:08.038734
- Title: Explainable Machine Learning Analysis of Temperature Effects on Mechanical Strength of Fiber-Reinforced High-Performance Concrete
- Title（参考訳）: 繊維強化高性能コンクリートの機械的強度に及ぼす温度効果の説明可能な機械学習解析
- Abstract要約: 本研究では,繊維強化高強度コンクリートの圧縮強度予測のための8つの機械学習モデルについて検討した。
グラディエント・ブースティングと極度勾配・ブースティングは、それぞれ0.903のR2を達成し、目に見えないデータに対して優れた性能を示した。
本研究は, 温度依存性の圧縮強度を評価し, 繊維強化高強度コンクリートの実用的, データ駆動設計を容易にするための, 高精度で理解可能な手法を提供する。
- 参考スコア（独自算出の注目度）: 1.0897929763202632
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predicting the compressive strength of fiber-reinforced high-performance concrete subjected to temperature exposure is challenging because to the intricate interdependencies of mixture composition, fiber properties, curing conditions, and temperature. A data-driven framework to predict compressive strength utilizing 1,204 experimental records containing a diverse array of material designs and exposure situations. This study evaluates eight machine-learning models and demonstrate that ensemble approaches routinely surpass individual learners. Both gradient boosting and extreme gradient boosting exhibit superior performance on unseen data, each attaining a R^2 of 0.903. Gradient boosting produces the minimal root mean square error (6.67 MPa), whereas extreme gradient boosting achieves the lowest mean absolute error (3.97 MPa) and mean absolute percentage error (10.60%). The models are further interpreted utilizing Shapley additive explanations and partial dependence analysis, which reveal temperature as the primary factor influencing compressive strength, succeeded by fine aggregate, superplasticizer, cement content, water-to-binder ratio, and water content. Strength diminishes significantly with rising temperature, albeit the extent of deterioration is contingent upon the specific combination design. The best performing models are subsequently implemented in a Python-based graphical user interface for expedited prediction. Our findings offer a precise and comprehensible methodology for evaluating temperature-dependent compressive strength and facilitate the practical, data-driven design of fiber-reinforced high-performance concrete.
- Abstract（参考訳）: 混合組成, 繊維特性, 硬化条件, 温度の複雑な相互依存性から, 温度暴露を受ける繊維補強高強度コンクリートの圧縮強度の予測は困難である。
多様な材料設計と露出状況を含む1,204の実験記録を用いた圧縮強度予測のためのデータ駆動フレームワーク。
本研究では,8つの機械学習モデルを評価し,アンサンブルアプローチが個々の学習者を上回っていることを示す。
勾配の上昇と極端な勾配の上昇は、それぞれ0.903のR^2に達すると、目に見えないデータに対して優れた性能を示す。
勾配の上昇は最小のルート平均二乗誤差(6.67 MPa)を生じるが、極端な勾配の上昇は最小の絶対誤差(3.97 MPa)と平均絶対パーセンテージ誤差(10.60%)を達成する。
これらのモデルはさらに, 圧縮強度に影響を及ぼす主因子として温度を明らかにし, 微粒骨材, スーパー可塑性剤, セメント含量, 水-バインダー比, 含水率などを用いて, シェープリー加法的説明と部分的依存性分析を用いて解釈した。
温度上昇に伴い強度は著しく低下するが、特定の組み合わせ設計により劣化の程度は減少する。
最高のパフォーマンスモデルはその後、高速な予測のためにPythonベースのグラフィカルユーザインタフェースで実装される。
本研究は, 繊維強化高強度コンクリートの温度依存圧縮強度評価と, 実用的, データ駆動設計を容易にするための, 高精度で理解可能な手法を提供する。
関連論文リスト
- TeMo: Temperature Modulation for Multimodal Contrastive Learning [69.50376336775496]
対照的な学習アプローチは、類似のサンプルを分離しながら、類似のサンプルを近接させる訓練モデルにより、強いパフォーマンスを達成する。
本稿では,TeMo,温度変調フレームワークを導入し,その類似性に応じて各正負対の温度を適応的に調整する類似性に基づく変調手法を提案する。
本手法は, 温度変調型マルチモーダル損失と非モーダル損失を, 段階的に遷移することで, 標準マルチモーダルコントラスト損失とシームレスに統合する。
論文 参考訳（メタデータ） (2026-09-07T14:23:02Z) - Physically Consistent Machine Learning for Melting Temperature Prediction of Refractory High-Entropy Alloys [0.0]
我々は, 元素特性に基づく複素合金のTm予測のために, 勾配ブースト決定木(XGBoost)モデルを開発した。
最適化されたモデルは、0.948の判定係数(R2)と平均正方形誤差(MSE)を9928で達成する。
論文 参考訳（メタデータ） (2026-01-07T10:59:24Z) - Mechanical Strength Prediction of Steel-Polypropylene Fiber-based High-Performance Concrete Using Hybrid Machine Learning Algorithms [1.190520536436269]
本研究は, 鋼-ポリプロピレン繊維強化高性能コンクリートの機械的特性を予測するための機械学習モデルを開発し, 評価する。
対象は圧縮強度(CS)、曲げ強度(FS)、引張強度(TS)である。
ET-XGBモデルは、CSで0.994、FSで0.944、TSで0.978のR2値をテストし、全体的な精度が最も高かった。
論文 参考訳（メタデータ） (2025-12-25T11:47:43Z) - Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization [49.34452620841728]
本稿では, ソフト材料の動的挙動を捉えるために, 分数次微分方程式(FODE)に基づく革新的なモデリング手法を提案する。
提案手法は,ソフトアクチュエータに固有の複雑な変形現象を効果的に表現する。
論文 参考訳（メタデータ） (2025-12-20T04:46:25Z) - Machine Learning Reveals Composition Dependent Thermal Stability in Halide Perovskites [8.55812400071022]
合成,温度,材料特性の予期せぬ相関を明らかにするために,データ可視化と機械学習技術を適用した。
合成に依存しない(>85%の精度)と合成に依存しない(>75%の精度)モデルアプローチの両方で、10個のペロブスカイトフィルムのPL特性を効果的に予測する。
このモデルでは、Cs含有量と材料熱安定性の相関関係について検証する。
論文 参考訳（メタデータ） (2025-04-05T00:13:18Z) - DEAL: Data-Efficient Adversarial Learning for High-Quality Infrared Imaging [47.22313650077835]
温度劣化シミュレーションをミニマックス最適化によりトレーニングプロセスに統合する。
シミュレーションは、目的関数を最大化するために動的であり、これにより、劣化したデータ分布の幅広いスペクトルをキャプチャする。
このアプローチにより、限られたデータによるトレーニングが可能になり、モデルのパフォーマンスが向上する。
論文 参考訳（メタデータ） (2025-03-02T14:15:44Z) - Exploring the Impact of Temperature Scaling in Softmax for Classification and Adversarial Robustness [8.934328206473456]
この研究は「温度」として知られるソフトマックス関数内でしばしば見過ごされるパラメータを掘り下げる。
畳み込みニューラルネットワークとトランスフォーマーを採用した我々の実証研究は、温暖化によって全体的なパフォーマンスが向上することを示した。
一般的な腐敗に対するモデルロバスト性の向上、自然摂動、そして投影されたグラディエント・ダイスンのような非標的の敵攻撃などです。
論文 参考訳（メタデータ） (2025-02-28T00:07:45Z) - Elucidating microstructural influences on fatigue behavior for additively manufactured Hastelloy X using Bayesian-calibrated crystal plasticity model [0.0]
結晶塑性モデリング(CPモデリング)は材料の機械的挙動を予測する重要なツールである。
本稿では,疲労負荷条件下での最適CPモデルパラメータの同定に最適化(BO)を用いる頑健な手法を提案する。
論文 参考訳（メタデータ） (2024-12-06T15:46:37Z) - A Three-regime Model of Network Pruning [47.92525418773768]
我々は、ニューラルネットワーク(NN)トレーニングのハイパーパラメータが刈り取り性能に与える影響をモデル化するために、温度のようなパラメータと負荷のようなパラメータを使用します。
プレプルーニングモデルにおける負荷様パラメータの値に依存すると、プレプルーニングモデルにおける温度様パラメータの値が増加するか、その後のプルーニング性能が向上または損なわれる可能性がある。
本モデルでは, 高温のダイコトモス効果は, ポストプランニングモデルにおいて, 異なるタイプの大域構造間の遷移と関係していることが明らかとなった。
論文 参考訳（メタデータ） (2023-05-28T08:09:25Z) - CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。
このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。
提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
論文 参考訳（メタデータ） (2022-03-03T05:58:49Z) - Constrained multi-objective optimization of process design parameters in
settings with scarce data: an application to adhesive bonding [48.7576911714538]
接着プロセスに最適なプロセスパラメータを見つけることは困難である。
遺伝的アルゴリズムのような伝統的な進化的アプローチは、その問題を解決するのに不適である。
本研究では,目的関数と制約関数をエミュレートするために,特定の機械学習手法をうまく応用した。
論文 参考訳（メタデータ） (2021-12-16T10:14:39Z)
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。