Bayesian optimization-based Model-Agnostic Meta-Learning: Application to predict maximum cyclic moment resistance of steel bolted T-stub connections
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
• Developed a Bayesian optimization-based MAML model for bolted T-stub connections. • Addressed limitations in traditional ANN models and ASCE 41-17 standard. • Validated the generalization capabilities of the optimized MAML. Accurately assessing the maximum moment resistance of steel bolted T-stub connections under cyclic loading is crucial for designing earthquake-resistant structures with such connections. Traditional methods based on design standards like ASCE 41-17 often lack precision. Recently, supervised machine learning techniques, particularly Artificial Neural Network (ANN), have been explored. However, conventional ANNs require substantial data for generalization, which is limited for steel bolted T-stub connections. To address these challenges, this study explores the feasibility of using the Model-Agnostic Meta-Learning (MAML) to predict the maximum cyclic moment resistance of steel bolted T-stub connections. MAML adapts task-specific model parameters rapidly and transfers knowledge across tasks to fine-tune global model parameters, potentially enhancing prediction accuracy with limited data. The MAML model is first optimized using Bayesian optimization with a Gaussian Process model to identify ideal hyperparameters. The optimized MAML model is then compared with two ANN models (one with optimized hyperparameters, another matching MAML's neural network architecture) and ASCE 41-17 method. Results demonstrate the optimized MAML model's superior generalization capabilities, offering a promising approach for steel bolted T-stub connections.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle