Multi-Objective Automated Machine Learning for Inversion of Mesoscopic Parameters in Discrete Element Contact Models
Notice bibliographique
Résumé
Accurate calibration of mesoscopic contact model parameters is essential for ensuring the reliability of Particle Flow Code in Three Dimensions (PFC3D) simulations in geotechnical engineering. Trial-and-error approaches are often used to determine the parameters of the contact model, but they are time-consuming, labor-intensive, and offer no guarantee of parameter validity or simulation credibility. Although conventional machine learning techniques have been applied to invert the contact model parameters, they are hampered by the difficulty of selecting the optimal hyperparameters and, in some cases, insufficient data, which limits both the predictive accuracy and robustness. In this study, a total of 361 PFC3D uniaxial compression simulations using a linear parallel bond model with varied mesoscopic parameters were generated to capture a wide range of rock and geotechnical material behaviors. From each stress–strain curve, eight characteristic points were extracted as inputs to a multi-objective Automated Machine Learning (AutoML) model designed to invert three key mesoscopic parameters, i.e., the elastic modulus (E), stiffness ratio (ks/kn), and degraded elastic modulus (Ed). The developed AutoML model, comprising two hidden layers of 256 and 32 neurons with ReLU activation function, achieved coefficients of determination (R2) of 0.992, 0.710, and 0.521 for E, ks/kn, and Ed, respectively, demonstrating acceptable predictive accuracy and generalizability. The multi-objective AutoML model was also applied to invert the parameters from three independent uniaxial compression tests on rock-like materials to validate its practical performance. The close match between the experimental and numerically simulated stress–strain curves confirmed the model’s reliability for mesoscopic parameter inversion in PFC3D.
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.
Comment cette classification a été obtenuedéplier
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».