探索用于变形历史建模的各种序列学习方法
机器学习
2025-04-08 v1 人工智能
计算工程、金融与科学
摘要
当前的神经网络模型可以从具有历史依赖性的数据点中学习模式。具体来说，在自然语言处理中，序列学习已从基于循环的架构过渡到基于Transformer的架构。然而，尚不清楚哪种神经网络架构在包含机械加载变形历史的数据集上表现最佳。因此，本研究确定了基于一维卷积、循环和Transformer的架构在根据变形历史中的早期状态预测变形局部化方面的适用性。在此研究之后，详细检查了表现最佳的神经网络架构中预测过程的数学计算与从变形路径的自然物理属性导出的实际值之间的关键不兼容问题。
引用
@article{arxiv.2504.03818,
title = {Exploring Various Sequential Learning Methods for Deformation History Modeling},
author = {Muhammed Adil Yatkin and Mihkel Korgesaar and Jani Romanoff and Umit Islak and Hasan Kurban},
journal= {arXiv preprint arXiv:2504.03818},
year = {2025}
}
备注
Engineering Applications of Neural Networks