論文の概要: Real-time Forecast Models for TBM Load Parameters Based on Machine
Learning Methods
- arxiv url: http://arxiv.org/abs/2104.06353v1
- Date: Mon, 12 Apr 2021 07:31:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-15 05:29:15.052123
- Title: Real-time Forecast Models for TBM Load Parameters Based on Machine
Learning Methods
- Title(参考訳): 機械学習に基づくtbm負荷パラメータのリアルタイム予測モデル
- Authors: Xianjie Gao, Xueguan Song, Maolin Shi, Chao Zhang and Hongwei Zhang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 6.247628933072029
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Because of the fast advance rate and the improved personnel safety, tunnel
boring machines (TBMs) have been widely used in a variety of tunnel
construction projects. The dynamic modeling of TBM load parameters (including
torque, advance rate and thrust) plays an essential part in the design, safe
operation and fault prognostics of this complex engineering system. In this
paper, based on in-situ TBM operational data, we use the machine-learning (ML)
methods to build the real-time forecast models for TBM load parameters, which
can instantaneously provide the future values of the TBM load parameters as
long as the current data are collected. To decrease the model complexity and
improve the generalization, we also apply the least absolute shrinkage and
selection (Lasso) method to extract the essential features of the forecast
task. The experimental results show that the forecast models based on
deep-learning methods, {\it e.g.}, recurrent neural network and its variants,
outperform the ones based on the shallow-learning methods, {\it e.g.}, support
vector regression and random forest. Moreover, the Lasso-based feature
extraction significantly improves the performance of the resultant models.
- Abstract(参考訳): 高速進行速度と人的安全の向上により、トンネル掘削機(TBM)は様々なトンネル建設計画で広く利用されている。
tbm負荷パラメータ(トルク、進行速度、推力を含む)の動的モデリングは、この複合工学システムの設計、安全運転、および故障予測において重要な役割を担っている。
本稿では,現状の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し,現在のデータが収集される限り,tbm負荷パラメータの将来的な値を瞬時に提供する。
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。
実験の結果,深層学習法に基づく予測モデルが得られた。
再帰的なニューラルネットワークとその変種は、浅層学習法(例えば、浅層学習法)に基づくものよりも優れています。
ベクトル回帰とランダムフォレストをサポートする。
さらに、Lassoベースの特徴抽出は、結果のモデルの性能を大幅に改善する。
関連論文リスト
- Deep Learning for Fast Inference of Mechanistic Models' Parameters [0.28675177318965045]
本稿では,観測対象の力学モデルのパラメータを直接予測するために,ディープニューラルネットワーク(NN)を提案する。
本稿では,ニューラルネットワークとメカニスティックモデルを組み合わせたトレーニング手法を検討する。
ニューラルネットワークの推定値は、さらなる適合によってわずかに改善されているのに対して、これらの推定は、適合手順単独よりも測定精度が良いことがわかった。
論文 参考訳(メタデータ) (2023-12-05T22:16:54Z) - Towards a Prediction of Machine Learning Training Time to Support
Continuous Learning Systems Development [5.207307163958806]
我々は全文を実証研究する。
ZhengらによるFPTC(Time Complexity)アプローチ。
本稿では,ロジスティック回帰とランダムフォレスト分類のための定式化について検討する。
本研究では,本研究から,学習時間の予測が文脈とどのように密接に関連しているかを観察する。
論文 参考訳(メタデータ) (2023-09-20T11:35:03Z) - End-to-End Reinforcement Learning of Koopman Models for Economic
Nonlinear Model Predictive Control [50.0791489606211]
非線形モデル予測制御((e)NMPC)は、すべての状態空間領域において十分正確なシステムモデルを必要とする。
メカニスティックモデルのためのデータ駆動サロゲートモデルは、(e)NMPCの計算負担を軽減するために使用できる。
In this method for end-to-end reinforcement learning of dynamic surrogate model for optimal performance in (e)NMPC applications。
論文 参考訳(メタデータ) (2023-08-03T10:21:53Z) - Scaling Pre-trained Language Models to Deeper via Parameter-efficient
Architecture [68.13678918660872]
行列積演算子(MPO)に基づくより有能なパラメータ共有アーキテクチャを設計する。
MPO分解はパラメータ行列の情報を再編成し、2つの部分に分解することができる。
私たちのアーキテクチャは、モデルのサイズを減らすために、すべてのレイヤで中央テンソルを共有しています。
論文 参考訳(メタデータ) (2023-03-27T02:34:09Z) - Predictable MDP Abstraction for Unsupervised Model-Based RL [93.91375268580806]
予測可能なMDP抽象化(PMA)を提案する。
元のMDPで予測モデルを訓練する代わりに、学習されたアクション空間を持つ変換MDPでモデルを訓練する。
我々はPMAを理論的に解析し、PMAが以前の教師なしモデルベースRLアプローチよりも大幅に改善することを示す。
論文 参考訳(メタデータ) (2023-02-08T07:37:51Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳(メタデータ) (2023-01-05T13:59:29Z) - Interpretable AI-based Large-scale 3D Pathloss Prediction Model for
enabling Emerging Self-Driving Networks [3.710841042000923]
本稿では,新しい鍵予測器を応用した機械学習モデルを提案する。
予測,一般化,計算性能の観点から各種MLアルゴリズムの性能を定量的に評価することにより,光グラディエントブースティングマシン(LightGBM)アルゴリズムが全体として他のアルゴリズムより優れていることを示す。
論文 参考訳(メタデータ) (2022-01-30T19:50:16Z) - Development of Deep Transformer-Based Models for Long-Term Prediction of
Transient Production of Oil Wells [9.832272256738452]
本稿では,油井の過渡生産に関するデータ駆動型モデリング手法を提案する。
油井の様々なパラメータからなる多変量時系列に基づいて訓練された変圧器ベースニューラルネットワークを適用した。
複素過渡的な油田レベルのパターンをシミュレートするために,複数井戸に対するトランスフォーマーアーキテクチャに基づく単一井戸モデルを一般化する。
論文 参考訳(メタデータ) (2021-10-12T15:00:45Z) - MoEfication: Conditional Computation of Transformer Models for Efficient
Inference [66.56994436947441]
トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。
スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。
そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
論文 参考訳(メタデータ) (2021-10-05T02:14:38Z) - A Data-Driven Machine Learning Approach for Consumer Modeling with Load
Disaggregation [1.6058099298620423]
本稿では,住宅利用者の消費データから導出したデータ駆動セミパラメトリックモデルの汎用クラスを提案する。
第1段階では、固定およびシフト可能なコンポーネントへの負荷の分散をハイブリッドアルゴリズムを用いて達成する。
第2段階では、モデルパラメータはL2ノルム、エプシロン非感受性回帰法を用いて推定される。
論文 参考訳(メタデータ) (2020-11-04T13:36:11Z) - On the Sparsity of Neural Machine Translation Models [65.49762428553345]
性能向上のために冗長パラメータを再利用できるかどうかを検討する。
実験と分析は異なるデータセットとNTTアーキテクチャで体系的に行われる。
論文 参考訳(メタデータ) (2020-10-06T11:47:20Z)
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。