論文の概要: Neural network algorithm and its application in temperature control of distillation tower

• arxiv url: http://arxiv.org/abs/2101.00582v1
• Date: Sun, 3 Jan 2021 08:33:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-13 05:28:35.689234
• Title: Neural network algorithm and its application in temperature control of distillation tower
• Title（参考訳）: ニューラルネットワークアルゴリズムと蒸留塔の温度制御への応用
• Authors: Ningrui Zhao, Jinwei Lu
• Abstract要約: 本稿では,ニューラルネットワークと蒸留塔温度制御の基礎概念と研究の進展について概説する。 蒸留塔制御におけるニューラルネットワークの適用を体系的に要約し、関連産業の発展への参照を提供することを目的とする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Distillation process is a complex process of conduction, mass transfer and heat conduction, which is mainly manifested as follows: The mechanism is complex and changeable with uncertainty; the process is multivariate and strong coupling; the system is nonlinear, hysteresis and time-varying. Neural networks can perform effective learning based on corresponding samples, do not rely on fixed mechanisms, have the ability to approximate arbitrary nonlinear mappings, and can be used to establish system input and output models. The temperature system of the rectification tower has a complicated structure and high accuracy requirements. The neural network is used to control the temperature of the system, which satisfies the requirements of the production process. This article briefly describes the basic concepts and research progress of neural network and distillation tower temperature control, and systematically summarizes the application of neural network in distillation tower control, aiming to provide reference for the development of related industries.
• Abstract（参考訳）: 蒸留プロセスは、伝導、物質移動、熱伝導の複雑なプロセスであり、主に次のように表される: 機構は複雑で不確実性に変化し、プロセスは多変量で強い結合であり、システムは非線形、ヒステリシス、時間変化である。 ニューラルネットワークは、対応するサンプルに基づいて効果的な学習を行い、固定されたメカニズムに依存しず、任意の非線形マッピングを近似することができ、システムの入出力モデルを確立するために使用できる。 整流塔の温度システムには複雑な構造と高精度な要求がある。 ニューラルネットワークは、生産プロセスの要求を満たすシステムの温度を制御するために使用される。 本稿では, ニューラルネットワークと蒸留塔温度制御の基礎的概念と研究の進展を概説するとともに, 蒸留塔温度制御におけるニューラルネットワークの適用を系統的に要約し, 関連産業の発展への言及を目的とした。

関連論文リスト

• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• Neural Galerkin Schemes with Active Learning for High-Dimensional Evolution Equations [44.89798007370551]
  本研究では,高次元偏微分方程式を数値的に解くために,能動的学習を用いた学習データを生成するディープラーニングに基づくニューラル・ガレルキンスキームを提案する。 ニューラル・ガレルキンスキームはディラック・フランケル変分法に基づいて、残余を時間とともに最小化することで、ネットワークを訓練する。 提案したニューラル・ガレルキン・スキームの学習データ収集は,高次元におけるネットワークの表現力を数値的に実現するための鍵となる。
  論文  参考訳（メタデータ） (2022-03-02T19:09:52Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Monotonic Neural Network: combining Deep Learning with Domain Knowledge for Chiller Plants Energy Optimization [1.4508333270892002]
  現実世界の物理システムにおける深層ネットワークトレーニングのための膨大なデータ収集は困難である。 本稿では,非線形モデルを構築するための深層ネットワークの構造と損失設計におけるドメイン知識について考察する。 特に、ほとんどの冷却器のエネルギー消費推定は、入力出力単調問題として物理的に見なすことができる。
  論文  参考訳（メタデータ） (2021-06-11T03:01:26Z)
• Discrete-time Contraction-based Control of Nonlinear Systems with Parametric Uncertainties using Neural Networks [6.804154699470765]
  本研究は,ニューラルネットワークを用いた離散時間収縮解析と制御へのアプローチを展開する。 この方法論は、ニューラルネットワークをトレーニングして、収縮メトリックとフィードバックゲインを学習する。 結果として得られる収縮ベースのコントローラは、訓練されたニューラルネットワークを組み込み、時間変動参照の効率的な追跡を達成することができる。
  論文  参考訳（メタデータ） (2021-05-12T05:07:34Z)
• Application of Neural Network Algorithm in Propylene Distillation [0.0]
  本稿では,ニューラルネットワークモデルとそのプロピレン蒸留塔への応用について紹介する。 塔の上部と下部における生成物の濃度と過程のパラメータの間の機能的関係は極めて複雑である。 エチレン製造企業におけるプロピレン収量の増加には, 正確な測定が重要な役割を果たしている。
  論文  参考訳（メタデータ） (2021-04-05T05:06:29Z)
• Thermal Neural Networks: Lumped-Parameter Thermal Modeling With State-Space Machine Learning [0.0]
  電力システムの熱モデルには、リアルタイム能力と高い推定精度の両方が必要である。 本研究では,熱伝達に基づくラムド型パラメータモデルとして,熱ニューラルネットワーク(TNN)を導入し,両者を統一した。 TNNは状態空間表現を通じて物理的に解釈可能な状態を持ち、エンドツーエンドのトレーニング可能であり、その設計に材料、幾何学、専門知識を必要としない。
  論文  参考訳（メタデータ） (2021-03-30T13:15:48Z)
• Study on the simulation control of neural network algorithm in thermally coupled distillation [7.313669465917949]
  ニューラルネットワークアルゴリズムは高速学習の利点があり、非線形関数に任意にアプローチすることができる。 本稿では, 人工ニューラルネットワークの研究の進展と, 熱結合蒸留におけるニューラルネットワークの適用について概説する。
  論文  参考訳（メタデータ） (2021-02-06T04:18:04Z)
• Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
  偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。 最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。 偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。 本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
  論文  参考訳（メタデータ） (2020-09-08T13:26:51Z)

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。