論文の概要: Decision Support System for an Intelligent Operator of Utility Tunnel Boring Machines

• arxiv url: http://arxiv.org/abs/2101.02463v2
• Date: Fri, 8 Jan 2021 08:27:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-10 13:24:47.491787
• Title: Decision Support System for an Intelligent Operator of Utility Tunnel Boring Machines
• Title（参考訳）: 実用用トンネルボーリング機の知的操作者に対する意思決定支援システム
• Authors: Gabriel Rodriguez Garcia, Gabriel Michau, Herbert H. Einstein and Olga Fink
• Abstract要約: トンネル掘削機(TBM)オペレーターは、安全上の妥協なしに高速な前進率を目指している。 tbmセンサの測定に基づく最適制御パラメータの探索は、未解決の研究課題である。 本稿では,3段階の知的意思決定支援システムを提案する。
• 参考スコア（独自算出の注目度）: 2.0932879442844476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In tunnel construction projects, delays induce high costs. Thus, tunnel boring machines (TBM) operators aim for fast advance rates, without safety compromise, a difficult mission in uncertain ground environments. Finding the optimal control parameters based on the TBM sensors' measurements remains an open research question with large practical relevance. In this paper, we propose an intelligent decision support system developed in three steps. First past projects performances are evaluated with an optimality score, taking into account the advance rate and the working pressure safety. Then, a deep learning model learns the mapping between the TBM measurements and this optimality score. Last, in real application, the model provides incremental recommendations to improve the optimality, taking into account the current setting and measurements of the TBM. The proposed approach is evaluated on real micro-tunnelling project and demonstrates great promises for future projects.
• Abstract（参考訳）: トンネル建設プロジェクトでは、遅延は高いコストを引き起こす。 このように、トンネル掘削機(TBM)オペレーターは、安全上の妥協なしに高速な前進率を目指しており、不確実な地上環境では困難な任務である。 TBMセンサーの測定に基づく最適制御パラメータの発見は、大きな実践的関連性を持つオープンな研究課題である。 本稿では,3段階の知的意思決定支援システムを提案する。 第1にプロジェクトのパフォーマンスを最適性スコアで評価し、先行率と作業圧安全性を考慮に入れた。 そして、深層学習モデルは、TBM測定値と最適度スコアとのマッピングを学習する。 最後に、このモデルは、TBMの現在の設定と測定を考慮して、最適性を改善するための漸進的なレコメンデーションを提供する。 提案手法は, 実際のマイクロツンネリングプロジェクトで評価され, 将来のプロジェクトへの大きな期待を示す。

関連論文リスト

• Unleashing the Power of Task-Specific Directions in Parameter Efficient Fine-tuning [65.31677646659895]
  本稿では,タスク固有の方向性 (TSD) の概念に着目し,大規模モデルを事前学習状態からPEFTにおけるタスク固有の拡張へ移行させる。 本稿では,微調整過程におけるTSDの影響を最大化し,目標タスクにおけるモデル性能を向上させることを目的とした新しいアプローチであるLoRA-Dashを紹介する。
  論文  参考訳（メタデータ） (2024-09-02T08:10:51Z)
• Ladder-of-Thought: Using Knowledge as Steps to Elevate Stance Detection [73.31406286956535]
  姿勢検出タスクにLadder-of-Thought(LoT)を導入する。 LoTは、小さなLMに高品質な外部知識を同化させ、生成した中間的論理を精査するように指示する。 実験では, 姿勢検出タスクにおけるCoTのGPT-3.5よりも16%改善し, 10%向上した。
  論文  参考訳（メタデータ） (2023-08-31T14:31:48Z)
• Meta-Learning Priors for Safe Bayesian Optimization [72.8349503901712]
  メタ学習アルゴリズムであるF-PACOHを構築し,データ不足の設定において確実な定量化を実現する。 コアコントリビューションとして、安全に適合した事前をデータ駆動で選択するための新しいフレームワークを開発する。 ベンチマーク関数と高精度動作系において,我々のメタ学習先行が安全なBOアプローチの収束を加速することを示す。
  論文  参考訳（メタデータ） (2022-10-03T08:38:38Z)
• Intelligent decision-making method of TBM operating parameters based on multiple constraints and objective optimization [3.520158857810862]
  TBMの動作パラメータの決定は、TBMの安全かつ効率的な構成において重要な指針となる。 本稿では,機械学習手法にロックブレーキングルールを導入し,物理ルールとデータマイニングを併用したロックマシンマッピングを高精度に構築する。
  論文  参考訳（メタデータ） (2022-07-31T09:23:30Z)
• AI-based Optimal scheduling of Renewable AC Microgrids with bidirectional LSTM-Based Wind Power Forecasting [5.039813366558306]
  本稿では, エネルギー貯蔵装置, 風力タービン, マイクロタービンを考慮したマイクログリッドの最適スケジューリング手法を提案する。 短期風力予測問題に対処するために,双方向長期記憶に基づくディープラーニングモデルを提案する。 その結果,マイクログリッドの最適スケジューリングにおいて,提案手法の有効性と効率性を示した。
  論文  参考訳（メタデータ） (2022-07-08T14:40:31Z)
• Real-time Forecast Models for TBM Load Parameters Based on Machine Learning Methods [6.247628933072029]
  本論文では, TBM運用データに基づいて機械学習(ML)手法を用いて, TBM負荷パラメータのリアルタイム予測モデルを構築する。 モデル複雑性を低減し、一般化を改善するため、予測タスクの本質的特徴を抽出するために、最小絶対縮小および選択法(Lasso)を適用した。
  論文  参考訳（メタデータ） (2021-04-12T07:31:39Z)
• Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
  有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。 本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。 アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
  論文  参考訳（メタデータ） (2021-04-08T08:50:44Z)
• Evaluating the Safety of Deep Reinforcement Learning Models using Semi-Formal Verification [81.32981236437395]
  本稿では,区間分析に基づく半形式的意思決定手法を提案する。 本手法は, 標準ベンチマークに比較して, 形式検証に対して比較結果を得る。 提案手法は, 意思決定モデルにおける安全性特性を効果的に評価することを可能にする。
  論文  参考訳（メタデータ） (2020-10-19T11:18:06Z)
• Reinforcement Learning for Low-Thrust Trajectory Design of Interplanetary Missions [77.34726150561087]
  本稿では, 惑星間軌道のロバスト設計における強化学習の適用について検討する。 最先端アルゴリズムのオープンソース実装が採用されている。 その結果得られた誘導制御ネットワークは、堅牢な名目的軌道と関連する閉ループ誘導法の両方を提供する。
  論文  参考訳（メタデータ） (2020-08-19T15:22:15Z)
• SQE: a Self Quality Evaluation Metric for Parameters Optimization in Multi-Object Tracking [25.723436561224297]
  本稿では,パラメータ最適化のための新しい自己品質評価指標SQEを提案する。 対照的に、我々の計量は軌道仮説の内部特性を反映し、真理を示さずに性能を追跡する。
  論文  参考訳（メタデータ） (2020-04-16T06:07:29Z)

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。