論文の概要: Neural network with data augmentation in multi-objective prediction of
multi-stage pump
- arxiv url: http://arxiv.org/abs/2002.02402v1
- Date: Tue, 4 Feb 2020 11:23:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 03:26:21.737988
- Title: Neural network with data augmentation in multi-objective prediction of
multi-stage pump
- Title(参考訳): 多段ポンプの多目的予測におけるデータ拡張型ニューラルネットワーク
- Authors: Hang Zhao
- Abstract要約: ニューラルネットワークモデル(NN)は、二次応答面モデル(RSF)、ラジアル基底ガウス応答面モデル(RBF)、クリグモデル(KRG)と比較して構築される。
4つの予測モデルに基づく頭部とパワーの精度をCFDシミュレーション値と比較した。
データ拡張(NNDA)に基づくニューラルネットワークモデルが提案されている。
- 参考スコア(独自算出の注目度): 16.038015881697593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A multi-objective prediction method of multi-stage pump method based on
neural network with data augmentation is proposed. In order to study the highly
nonlinear relationship between key design variables and centrifugal pump
external characteristic values (head and power), the neural network model (NN)
is built in comparison with the quadratic response surface model (RSF), the
radial basis Gaussian response surface model (RBF), and the Kriging model
(KRG). The numerical model validation experiment of another type of single
stage centrifugal pump showed that numerical model based on CFD is quite
accurate and fair. All of prediction models are trained by 60 samples under the
different combination of three key variables in design range respectively. The
accuracy of the head and power based on the four predictions models are
analyzed comparing with the CFD simulation values. The results show that the
neural network model has better performance in all external characteristic
values comparing with other three surrogate models. Finally, a neural network
model based on data augmentation (NNDA) is proposed for the reason that
simulation cost is too high and data is scarce in mechanical simulation field
especially in CFD problems. The model with data augmentation can triple the
data by interpolation at each sample point of different attributes. It shows
that the performance of neural network model with data augmentation is better
than former neural network model. Therefore, the prediction ability of NN is
enhanced without more simulation costs. With data augmentation it can be a
better prediction model used in solving the optimization problems of multistage
pump for next optimization and generalized to finite element analysis
optimization problems in future.
- Abstract(参考訳): データ拡張を伴うニューラルネットワークに基づく多段階ポンプ法の多目的予測法を提案する。
キー設計変数と遠心ポンプの外部特性値(ヘッドとパワー)の高非線形性について検討するために、ニューラルネットワークモデル(NN)を2次応答面モデル(RSF)、ラジアル基底ガウス応答面モデル(RBF)、クリギングモデル(KRG)と比較して構築する。
単段遠心ポンプの数値モデル検証実験により,CFDに基づく数値モデルは非常に正確かつ公平であることが確認された。
すべての予測モデルは、それぞれ設計範囲の3つのキー変数の異なる組み合わせの下で、60個のサンプルによって訓練される。
4つの予測モデルに基づく頭部とパワーの精度をcfdシミュレーション値と比較して解析した。
その結果、ニューラルネットワークモデルは、他の3つのサロゲートモデルと比較して、すべての外部特性値において優れた性能を示すことがわかった。
最後に,データ拡張(NNDA)に基づくニューラルネットワークモデルを提案し,シミュレーションコストが高すぎること,特にCFD問題におけるデータ不足を理由として提案する。
データ拡張を伴うモデルは、異なる属性のサンプルポイントごとに補間することでデータを3倍にすることができる。
データ拡張によるニューラルネットワークモデルの性能は,従来のニューラルネットワークモデルよりも優れていることを示す。
したがって、NNの予測能力は、より多くのシミュレーションコストを伴わずに向上する。
データ拡張により、次の最適化のために多段ポンプの最適化問題を解き、将来有限要素解析最適化問題に一般化する上で、より良い予測モデルとなる。
関連論文リスト
- A Priori Uncertainty Quantification of Reacting Turbulence Closure
Models using Bayesian Neural Networks [0.0]
反応流モデルにおける不確実性を捉えるためにベイズニューラルネットワークを用いる。
我々は、BNNモデルが、データ駆動クロージャモデルの不確実性の構造に関するユニークな洞察を提供することができることを示した。
このモデルの有効性は,様々な火炎条件と燃料からなるデータセットに対する事前評価によって実証される。
論文 参考訳(メタデータ) (2024-02-28T22:19:55Z) - Predicting Multi-Joint Kinematics of the Upper Limb from EMG Signals
Across Varied Loads with a Physics-Informed Neural Network [0.0]
PINNモデルは、フィードフォワードニューラルネットワーク(ANN)とジョイントトルクモデルを組み合わせることで構成される。
PINNモデルのトレーニングデータセットは、EMGと4つの異なる被験者から収集された時間データを含む。
その結果,関節角度予測では58%から83%の相関が認められた。
論文 参考訳(メタデータ) (2023-11-28T16:55:11Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Neural parameter calibration for large-scale multi-agent models [0.7734726150561089]
本稿では,ニューラルネットワークを用いてパラメータの精度の高い確率密度を求める手法を提案する。
2つの組み合わせは、非常に大きなシステムであっても、モデルパラメータの密度を素早く見積もることができる強力なツールを作成する。
論文 参考訳(メタデータ) (2022-09-27T17:36:26Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2022-04-18T23:42:18Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Investigating the Relationship Between Dropout Regularization and Model
Complexity in Neural Networks [0.0]
ドロップアウト規則化は、ディープラーニングモデルのばらつきを低減するのに役立つ。
2,000のニューラルネットワークをトレーニングすることにより,ドロップアウト率とモデル複雑性の関係について検討する。
各密層に隠されたユニットの数から、最適なドロップアウト率を予測するニューラルネットワークを構築します。
論文 参考訳(メタデータ) (2021-08-14T23:49:33Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Quaternion Factorization Machines: A Lightweight Solution to Intricate
Feature Interaction Modelling [76.89779231460193]
factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。
本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
論文 参考訳(メタデータ) (2021-04-05T00:02:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。