文献

J-GLOBAL ID：202002277196063681   整理番号：20A1007627

破壊力学問題への機械学習アプローチ【JST・京大機械翻訳】

A machine learning approach to fracture mechanics problems

著者 (6件)： Liu Xing (School of Engineering, Brown University, Providence, RI 02912, USA) ,  Athanasiou Christos E. (School of Engineering, Brown University, Providence, RI 02912, USA) ,  Padture Nitin P. (School of Engineering, Brown University, Providence, RI 02912, USA) ,  Sheldon Brian W. (School of Engineering, Brown University, Providence, RI 02912, USA) ,  Gao Huajian (School of Engineering, Brown University, Providence, RI 02912, USA) ,  Gao Huajian (College of Engineering, College of Science, Nanyang Technological University, Singapore)
資料名： Acta Materialia  (Acta Materialia)
巻： 190  ページ： 105-112  発行年： 2020年 
JST資料番号： A0316A  ISSN： 1359-6454  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 工学的問題に対する解析的および経験的解法は,通常,応用におけるそれらの利便性のために好まれる。しかし,それらは複雑な問題では常にアクセスできない。回帰木とニューラルネットワーク(NN)のような機械学習(ML)モデルに基づく新しいクラスの解を提案し,それらの実現可能性と価値を破壊靭性測定の解析を通して実証した。回帰木とNNに基づく両方の解は特定の問題に対して正確な結果を与えることができるが,NNベースの解はそれらの単純さに関して回帰ツリーベースの解よりも優れていることが分かった。この例は,ML解が,信頼できる機能性と急速な展開の両方に関して,解析的および経験的な解に対する主要な改善であることを実証した。解析解が利用できない場合,ML解の使用は経験的解の限界を克服し,工学的問題が解決される方法を実質的に変えることができる。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ニューラルネットワーク ,  破壊靱性 ,  解析的解法 ,  破壊力学 ,  *機械学習
準シソーラス用語： 回帰木 , 【Automatic Indexing@JST】

著者キーワード (4件)： 機械学習 ,  分析法 ,  機械的性質試験 ,  破壊

分類 (2件)： セラミック・磁器の性質  (YC03030G) ,  変態組織,加工組織  (WB01030N)

タイトルに関連する用語 (2件)： 破壊力学 ,  機械学習