準静的に変形する物質の破壊予測に関して, ランダムフォレストモデルの適用を試みた. ランダムフォレストモデルはアンサンブル学習法の一種で, 予測を行う上で複数のサンプルが必要になる.そこで, 岩石の破壊実験を模擬した数値シミュレーションによって多数のサンプルを用意した. 結果として, アンサンブル内でサンプル間の変動が小さい状況下では, 破壊時刻を正確に予測することに成功した. そして, 破壊時刻を予測する上で, 降伏応力のみならず, 破壊過程で観測される音響信号の累積量, つまり系内部のダメージの蓄積量が重要な特徴量として抽出された.
[1] Bertrand Rouet-Leduc, Claudia Hulbert, Nicholas Lubbers, Kipton Barros, Colin J Humphreys,and Paul A Johnson. Machine learning predicts laboratory earthquakes. Geophysical Research Letters, Vol. 44, No. 18, pp. 9276–9282, 2017.
[2] Yuta Yamaguchi, Soumya Biswas, Takahiro Hatano, and Lucas Goehring. Failure processes of cemented granular materials. arXiv:2007.08367.
[3] Arnaud Hemmerle, Matthias Schr¨oter, and Lucas Goehring. A cohesive granular material with tunable elasticity. Scientific Reports, Vol. 6, p. 35650, 2016.
[4] Teng-fong Wong and Patrick Baud. The brittle-ductile transition in porous rock: A review.Journal of Structural Geology, Vol. 44, pp. 25–53, 2012.
[5] David A Lockner. The role of acoustic emission in the study of rock fracture. In International Journal of Rock Mechanics and Mining Sciences & Geomechanics Abstracts, Vol. 30, pp. 883–899, 1993.
[6] Leo Breiman. Random forests. Machine learning, Vol. 45, No. 1, pp. 5–32, 2001.
全国の大学の
卒論・修論・学位論文
を
一発検索！
論文の公開元へ