論文の概要: Enhancing Generalizability of Predictive Models with Synergy of Data and Physics

• arxiv url: http://arxiv.org/abs/2105.01429v1
• Date: Tue, 4 May 2021 11:34:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-05 12:52:10.320538
• Title: Enhancing Generalizability of Predictive Models with Synergy of Data and Physics
• Title（参考訳）: データと物理の相乗による予測モデルの一般化性向上
• Authors: Yingjun Shen, Zhe Song and Andrew Kusiak
• Abstract要約: 本稿では,データマイニングと第一原理知識を統合し,予測モデルの一般化可能性を高める。 提案手法は, 簡易性と効率性から, 風力エネルギー予測保守実践者に広く受け入れられている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Wind farm needs prediction models for predictive maintenance. There is a need to predict values of non-observable parameters beyond ranges reflected in available data. A prediction model developed for one machine many not perform well in another similar machine. This is usually due to lack of generalizability of data-driven models. To increase generalizability of predictive models, this research integrates the data mining with first-principle knowledge. Physics-based principles are combined with machine learning algorithms through feature engineering, strong rules and divide-and-conquer. The proposed synergy concept is illustrated with the wind turbine blade icing prediction and achieves significant prediction accuracy across different turbines. The proposed process is widely accepted by wind energy predictive maintenance practitioners because of its simplicity and efficiency. Furthermore, this paper demonstrates the importance of embedding physical principles within the machine learning process, and also highlight an important point that the need for more complex machine learning algorithms in industrial big data mining is often much less than it is in other applications, making it essential to incorporate physics and follow Less is More philosophy.
• Abstract（参考訳）: 風力発電所は予測メンテナンスのための予測モデルを必要とする。 利用可能なデータに反映される範囲を超えて、観測不能なパラメータの値を予測する必要がある。 あるマシンで開発された予測モデルは、他の類似マシンではうまく動作しない。 これは通常、データ駆動モデルの一般化性の欠如によるものである。 予測モデルの一般化性を高めるため、本研究は第一原理知識とデータマイニングを統合する。 物理ベースの原則は、機能エンジニアリング、強力なルール、分割とクエリによる機械学習アルゴリズムと組み合わせられる。 提案するシナジーの概念は風力タービンブレードのアイシング予測で示され、異なるタービン間で有意な予測精度を達成している。 提案手法は, 簡易性と効率性から, 風力エネルギー予測保守実践者に広く受け入れられている。 さらに,本論文は,機械学習プロセスに物理原理を組み込むことの重要性を示すとともに,産業用ビッグデータマイニングにおいて,より複雑な機械学習アルゴリズムの必要性が,他のアプリケーションよりもはるかに少なく,物理を組み込んでLess is Moreの哲学に従うことが不可欠であることを示す。

関連論文リスト

• Machine Learning with Physics Knowledge for Prediction: A Survey [16.96920919164813]
  本研究では,機械学習と物理知識を組み合わせて予測と予測を行う手法とモデルについて検討する。 まず、目的関数、構造化予測モデル、データ拡張を通じて、アーキテクチャレベルでの物理知識を取り入れることを検討する。 第二に、データを物理知識とみなし、マルチタスク、メタ、コンテキスト学習をデータ駆動方式で物理知識を組み込む代替アプローチとして考える。
  論文  参考訳（メタデータ） (2024-08-19T09:36:07Z)
• Interpretable Machine Learning for Weather and Climate Prediction: A Survey [24.028385794099435]
  気象予測に適用された現在の解釈可能な機械学習手法について概説する。 ツリーアンサンブルや説明可能なニューラルネットワークといったアーキテクチャを使って、スクラッチから本質的に解釈可能なモデルを設計する。 物理原理に沿ったより深い機械的解釈を達成するための研究課題について論じる。
  論文  参考訳（メタデータ） (2024-03-24T14:23:35Z)
• Knowledge-embedded meta-learning model for lift coefficient prediction of airfoils [25.546237636065182]
  攻撃角度の異なる任意の超臨界翼の昇降係数を求めるために,知識埋め込みメタ学習モデルを開発した。 通常のニューラルネットワークと比較して,提案モデルでは,競合予測精度でより優れた一般化能力を示すことができる。 その結果, 提案モデルでは, 翼形状が物理的特性に与える影響を評価する傾向が示唆された。
  論文  参考訳（メタデータ） (2023-03-06T02:47:31Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Prediction-Powered Inference [68.97619568620709]
  予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。 このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。 予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
  イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。 我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。 最適設計と性能は場所によって異なることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:55:10Z)
• Explainable Artificial Intelligence for Exhaust Gas Temperature of Turbofan Engines [0.0]
  記号回帰は「ブラックボックス」モデルの解釈可能な代替品である。 本研究では, 実寿命排ガス温度(EGT)データにSRを適用し, 飛行全体を通して高周波数で収集する。 その結果, 3degCの絶対差は, モデル精度に有意な結果が得られた。
  論文  参考訳（メタデータ） (2022-03-24T15:05:32Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Physics-Informed Gaussian Process Regression for Probabilistic States Estimation and Forecasting in Power Grids [67.72249211312723]
  電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。 PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。 提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
  論文  参考訳（メタデータ） (2020-10-09T14:18:31Z)
• Introduction to Rare-Event Predictive Modeling for Inferential Statisticians -- A Hands-On Application in the Prediction of Breakthrough Patents [0.0]
  本稿では,予測性能の最適化を目的とした定量的分析のための機械学習(ML)手法を提案する。 両フィールド間の潜在的な相乗効果について考察する。 我々は,コンピュータサイエンスの用語のデミスティフィケーションを目指して,定量的な社会科学の聴衆に手持ちの予測モデルの導入を行っている。
  論文  参考訳（メタデータ） (2020-03-30T13:06:25Z)

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。