論文の概要: End-to-end deep meta modelling to calibrate and optimize energy
consumption and comfort
- arxiv url: http://arxiv.org/abs/2105.02814v2
- Date: Fri, 5 Nov 2021 09:33:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-13 02:38:52.361363
- Title: End-to-end deep meta modelling to calibrate and optimize energy
consumption and comfort
- Title（参考訳）: エネルギー消費と快適性を調整・最適化するエンド・ツー・エンド深層メタモデリング
- Authors: Max Cohen (IP Paris, CITI, TIPIC-SAMOVAR), Sylvain Le Corff (IP Paris,
CITI, TIPIC-SAMOVAR), Maurice Charbit, Marius Preda (IP Paris, ARTEMIS,
ARMEDIA-SAMOVAR), Gilles Nozi\`ere
- Abstract要約: 本稿では,リカレントニューラルネットワークに基づくメタモデルを導入し,一般の建物の挙動を予測する訓練を行う。
メタモデルの予測とセンサから得られた実データを比較することでパラメータを推定する。
エネルギー消費は、目標の熱の快適さと空気の質を維持しながら最適化されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a new end-to-end methodology to optimize the energy
performance as well as comfort and air quality in large buildings without any
renovation work. We introduce a metamodel based on recurrent neural networks
and trained to predict the behavior of a general class of buildings using a
database sampled from a simulation program. This metamodel is then deployed in
different frameworks and its parameters are calibrated using the specific data
of two real buildings. Parameters are estimated by comparing the predictions of
the metamodel with real data obtained from sensors using the CMA-ES algorithm,
a derivative free optimization procedure. Then, energy consumptions are
optimized while maintaining a target thermal comfort and air quality, using the
NSGA-II multi-objective optimization procedure. The numerical experiments
illustrate how this metamodel ensures a significant gain in energy efficiency,
up to almost 10%, while being computationally much more appealing than
numerical models and flexible enough to be adapted to several types of
buildings.
- Abstract（参考訳）: 本稿では, 大規模建築物におけるエネルギー性能, 快適さ, 空気質を, 改修工事を伴わずに最適化する新しいエンド・ツー・エンド手法を提案する。
本稿では,リカレントニューラルネットワークに基づくメタモデルを導入し,シミュレーションプログラムからサンプリングしたデータベースを用いて,一般の建物の挙動を予測する訓練を行った。
このメタモデルは異なるフレームワークにデプロイされ、パラメータは2つの実際の建物の特定のデータを使って調整される。
CMA-ESアルゴリズムを用いてメタモデルの予測とセンサから得られた実データを比較し,パラメータを推定する。
そして、NSGA-II多目的最適化手法を用いて、目標の熱快適性と空気質を維持しつつ、エネルギー消費を最適化する。
数値実験では、このメタモデルによってエネルギー効率が10%近く向上するが、数値モデルよりも計算的に魅力的であり、数種類の建物に適応できるほど柔軟であることを示す。
関連論文リスト
- SaRA: High-Efficient Diffusion Model Fine-tuning with Progressive Sparse Low-Rank Adaptation [52.6922833948127]
本研究では,事前学習した拡散モデルにおけるパラメータの重要性について検討する。
本稿では,これらの非効率パラメータをフル活用するための新しいモデル微調整法を提案する。
本手法は,下流アプリケーションにおける事前学習モデルの生成能力を向上する。
論文 参考訳（メタデータ） (2024-09-10T16:44:47Z) - Edge-Efficient Deep Learning Models for Automatic Modulation Classification: A Performance Analysis [0.7428236410246183]
無線信号の自動変調分類(AMC)のための最適化畳み込みニューラルネットワーク(CNN)について検討した。
本稿では,これらの手法を組み合わせて最適化モデルを提案する。
実験結果から,提案手法と組み合わせ最適化手法は,複雑度が著しく低いモデルの開発に極めて有効であることが示唆された。
論文 参考訳（メタデータ） (2024-04-11T06:08:23Z) - Fairer and More Accurate Tabular Models Through NAS [14.147928131445852]
本稿では,多目的ニューラルアーキテクチャサーチ (NAS) とハイパーパラメータ最適化 (HPO) を,表データの非常に困難な領域への最初の応用として提案する。
我々はNASで精度のみに最適化されたモデルが、本質的に公正な懸念に対処できないことをしばしば示している。
公平性、正確性、あるいは両方において、最先端のバイアス緩和手法を一貫して支配するアーキテクチャを作成します。
論文 参考訳（メタデータ） (2023-10-18T17:56:24Z) - Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。
実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-10-07T02:12:34Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳（メタデータ） (2022-09-16T19:15:50Z) - Artificial Intelligence-Assisted Optimization and Multiphase Analysis of
Polygon PEM Fuel Cells [0.0]
モデルは、セル性能を改善した後、最適化されている。
最適化された六角形とペンタゴナルは出力電流密度をそれぞれ21.8%、39.9%増加させる。
論文 参考訳（メタデータ） (2022-04-10T04:49:10Z) - Development of a hybrid machine-learning and optimization tool for
performance-based solar shading design [0.0]
この研究には、最適化された機械学習モデルに導入された87912の代替と6つの計算されたメトリクスが含まれている。
最も正確かつ高速な推定モデルはRandom Forrestで、r2_scoreは0.967から1。
開発したツールは,それぞれ数秒以内で,さまざまな設計代替案を評価することができる。
論文 参考訳（メタデータ） (2022-01-09T14:54:33Z) - 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) - Bayesian Optimization for Selecting Efficient Machine Learning Models [53.202224677485525]
本稿では,予測効率とトレーニング効率の両面において,モデルを協調最適化するための統一ベイズ最適化フレームワークを提案する。
レコメンデーションタスクのためのモデル選択の実験は、この方法で選択されたモデルがモデルのトレーニング効率を大幅に改善することを示している。
論文 参考訳（メタデータ） (2020-08-02T02:56:30Z) - End-to-end deep metamodeling to calibrate and optimize energy loads [0.0]
本研究では,大規模建物のエネルギー性能と快適性,空気質,衛生性を最適化する新しいエンド・ツー・エンド手法を提案する。
シミュレーションプログラムでサンプル化したデータセットを用いてトランスフォーマーネットワークに基づくメタモデルを導入,訓練する。
論文 参考訳（メタデータ） (2020-06-19T07:40:11Z) - Highly Efficient Salient Object Detection with 100K Parameters [137.74898755102387]
そこで我々は,段階内および複数ステージのマルチスケール機能を効率的に活用するために,フレキシブルな畳み込みモジュールであるOctoConv(gOctConv)を提案する。
我々は、非常に軽量なモデル、すなわちCSNetを構築し、一般的なオブジェクト検出ベンチマークで、約0.2%(100k)の大規模モデルで同等のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2020-03-12T07:00:46Z)
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。