論文の概要: Estimation of Gas Turbine Shaft Torque and Fuel Flow of a CODLAG Propulsion System Using Genetic Programming Algorithm

• arxiv url: http://arxiv.org/abs/2012.03527v1
• Date: Mon, 7 Dec 2020 08:39:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-21 03:54:57.910314
• Title: Estimation of Gas Turbine Shaft Torque and Fuel Flow of a CODLAG Propulsion System Using Genetic Programming Algorithm
• Title（参考訳）: 遺伝的アルゴリズムを用いたCODLAG推進システムのガスタービン軸トルクと燃料流量の推定
• Authors: Nikola An{\dj}eli\'c, Sandi Baressi \v{S}egota, Ivan Lorencin and Zlatan Car
• Abstract要約: データセットは11934のサンプルで構成され、80:20の比率でデータセットのトレーニングとテストに分割されました。 gpアルゴリズムのトレーニングデータセットは、ガスタービン軸トルクと燃料流量推定の象徴表現を得るために、9548のサンプルからなる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, the publicly available dataset of condition based maintenance of combined diesel-electric and gas (CODLAG) propulsion system for ships has been utilized to obtain symbolic expressions which could estimate gas turbine shaft torque and fuel flow using genetic programming (GP) algorithm. The entire dataset consists of 11934 samples that was divided into training and testing portions of dataset in an 80:20 ratio. The training dataset used to train the GP algorithm to obtain symbolic expressions for gas turbine shaft torque and fuel flow estimation consisted of 9548 samples. The best symbolic expressions obtained for gas turbine shaft torque and fuel flow estimation were obtained based on their $R^2$ score generated as a result of the application of the testing portion of the dataset on the aforementioned symbolic expressions. The testing portion of the dataset consisted of 2386 samples. The three best symbolic expressions obtained for gas turbine shaft torque estimation generated $R^2$ scores of 0.999201, 0.999296, and 0.999374, respectively. The three best symbolic expressions obtained for fuel flow estimation generated $R^2$ scores of 0.995495, 0.996465, and 0.996487, respectively.
• Abstract（参考訳）: 本稿では, 船舶用複合ディーゼル電気・ガス推進システム(CODLAG)の条件ベースメンテナンスデータセットを用いて, 遺伝的プログラミング(GP)アルゴリズムを用いて, ガスタービン軸トルクと燃料流量を推定できる記号式を得た。 データセット全体は、11934のサンプルで構成され、データセットのトレーニングとテストの一部を80:20の割合で分割した。 gpアルゴリズムのトレーニングデータセットは、ガスタービン軸トルクと燃料流量推定の象徴表現を得るために、9548のサンプルからなる。 ガスタービン軸トルクと燃料流量推定のための最適な記号式は, 上記の記号式に対するデータセットのテスト部分の適用により得られたR^2$スコアに基づいて得られた。 データセットのテスト部分は2386のサンプルから成っている。 ガスタービン軸トルク推定で得られた3つの最適記号式はそれぞれ0.999201, 0.999296, 0.999374のr^2$スコアを示した。 燃料流量推定で得られた3つの最良の記号式は,それぞれ0.995495,0.996465,0.996487のR^2$スコアを得た。

関連論文リスト

• Entropy contraction of the Gibbs sampler under log-concavity [0.16385815610837165]
  ランダムスキャンギブスサンプリング器は相対エントロピーで収縮し、関連する収縮率を鋭く評価する。 我々の手法は多用途であり、Metropolis-within-GibbsスキームやHit-and-Runアルゴリズムにまで拡張されている。
  論文  参考訳（メタデータ） (2024-10-01T16:50:36Z)
• Gas trap prediction from 3D seismic and well test data using machine learning [0.0]
  本研究の目的は,3次元地震データとガス井戸試験からガストラップを予測する手法を作成し,適用することである。 本論文は, 地震波場内におけるガス飽和度と濾過特性の確立したボリュームを選択することにより, トレーニングデータセット作成へのアプローチを定式化した。 その結果, ガス貯留層に対する研究空間に属するキャリブレーション確率の立方体が得られた。
  論文  参考訳（メタデータ） (2024-01-23T12:39:15Z)
• High performance Boson Sampling simulation via data-flow engines [1.9348290147402305]
  本研究では,バラシュラマン式-バクス-フランカリン-グリン式を一般化し,永久評価における行乗数を考慮した。 このアルゴリズムをFPGAベースのデータフローエンジン上に実装し、開発したアクセサリーを用いてボソンサンプリングシミュレーションを最大40ドルまで高速化する。
  論文  参考訳（メタデータ） (2023-09-13T15:32:07Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Learning Probabilistic Models from Generator Latent Spaces with Hat EBM [81.35199221254763]
  本研究では、エネルギーベースモデル(EBM)の基礎として、任意のジェネレータネットワークを使用する方法を提案する。 128x128解像度の非条件画像ネット合成,(2)既存の生成装置の出力の精細化,(3)非確率的生成装置を組み込んだ学習用EMMにおいて,提案手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-10-29T03:55:34Z)
• Prediction of the energy and exergy performance of F135 PW100 turbofan engine via deep learning [0.0]
  推力比燃料消費, 推力, 吸気気質量流量, 熱・推進効率に及ぼす飛気数, 飛行高度, 燃料タイプ, 吸気温度の影響について検討した。 深層学習法を用いて出力パラメータを予測するインテリジェントモデルが得られた。 その結果, 深部神経モデルの誤差率は推力, 推力比, 総運動効率の5.02%, 1.43%, 2.92%に等しいことがわかった。
  論文  参考訳（メタデータ） (2022-08-24T17:28:58Z)
• Tiny-HR: Towards an interpretable machine learning pipeline for heart rate estimation on edge devices [6.59529078336196]
  本稿では,低消費電力エッジデバイスで取得した圧力センサデータから心拍数を抽出する機械学習(ML)パイプラインの概念実証を行う。 このパイプラインは、アップサンプラーニューラルネットワーク、信号品質分類器、効率的かつ正確な心拍数推定に最適化された1D畳み込みニューラルネットワークで構成されている。 その結果,提案したMLパイプラインとハイブリッドパイプラインは,従来のアルゴリズムに比べて82%と28%のエネルギーと時間を削減できることがわかった。
  論文  参考訳（メタデータ） (2022-08-16T22:38:10Z)
• Matching Pursuit Based Scheduling for Over-the-Air Federated Learning [67.59503935237676]
  本稿では,フェデレートラーニング手法を用いて,オーバー・ザ・エアラーニングのための低複雑さデバイススケジューリングアルゴリズムのクラスを開発する。 最先端の提案方式と比較すると,提案方式は極めて低効率なシステムである。 提案手法の有効性は,CIFARデータセットを用いた実験により確認した。
  論文  参考訳（メタデータ） (2022-06-14T08:14:14Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Sampling-Decomposable Generative Adversarial Recommender [84.05894139540048]
  サンプル分解可能な生成逆数レコメンダ(SD-GAR)を提案する。 本フレームワークでは, 自己正規化重要度サンプリングにより, 生成元と最適値とのばらつきを補償する。 提案アルゴリズムを5つの実世界のレコメンデーションデータセットを用いて広範囲に評価する。
  論文  参考訳（メタデータ） (2020-11-02T13:19:10Z)
• Your GAN is Secretly an Energy-based Model and You Should use Discriminator Driven Latent Sampling [106.68533003806276]
  本研究では,潜時空間におけるサンプリングは,潜時空間の前対数密度と判別器出力スコアの和によって誘導されるエネルギーベースモデルに従って,潜時空間におけるサンプリングを行うことによって達成できることを示す。 判別器駆動潜時サンプリング(DDLS)は,高次元画素空間で動作する従来の手法と比較して,高効率であることを示す。
  論文  参考訳（メタデータ） (2020-03-12T23:33:50Z)

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。