論文の概要: PEMNET: A Transfer Learning-based Modeling Approach of High-Temperature
Polymer Electrolyte Membrane Electrochemical Systems
- arxiv url: http://arxiv.org/abs/2105.03057v1
- Date: Fri, 7 May 2021 04:01:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-10 12:08:41.683750
- Title: PEMNET: A Transfer Learning-based Modeling Approach of High-Temperature
Polymer Electrolyte Membrane Electrochemical Systems
- Title（参考訳）: PEMNET: 転移学習に基づく高温高分子電解質膜電気化学系のモデリング手法
- Authors: Luis A. Briceno-Mena and Christopher G. Arges and Jose A. Romagnoli
- Abstract要約: 高温高分子電解質膜燃料電池(HT-PEMFCs)とHT-PEM電気化学水素ポンプ(HT-PEM ECHPs)
知識に基づくモデリングには時間を要するため限界があり、必ずしも利用できないシステムに関する情報を必要とする。
データ駆動モデリングは実装が容易であるが、多くの場合、取得が難しい大きなデータセットを必要とする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Widespread adoption of high-temperature polymer electrolyte membrane fuel
cells (HT-PEMFCs) and HT-PEM electrochemical hydrogen pumps (HT-PEM ECHPs)
requires models and computational tools that provide accurate scale-up and
optimization. Knowledge-based modeling has limitations as it is time consuming
and requires information about the system that is not always available (e.g.,
material properties and interfacial behavior between different materials).
Data-driven modeling on the other hand, is easier to implement, but often
necessitates large datasets that could be difficult to obtain. In this
contribution, knowledge-based modeling and data-driven modeling are uniquely
combined by implementing a Few-Shot Learning (FSL) approach. A knowledge-based
model originally developed for a HT-PEMFC was used to generate simulated data
(887,735 points) and used to pretrain a neural network source model.
Furthermore, the source model developed for HT-PEMFCs was successfully applied
to HT-PEM ECHPs - a different electrochemical system that utilizes similar
materials to the fuel cell. Experimental datasets from both HT-PEMFCs and
HT-PEM ECHPs with different materials and operating conditions (~50 points
each) were used to train 8 target models via FSL. Models for the unseen data
reached high accuracies in all cases (rRMSE between 1.04 and 3.73% for HT-PEMCs
and between 6.38 and 8.46% for HT-PEM ECHPs).
- Abstract（参考訳）: 高温高分子電解質膜燃料電池(HT-PEMFC)とHT-PEM電気化学水素ポンプ(HT-PEM ECHP)の幅広い採用には、正確なスケールアップと最適化を提供するモデルと計算ツールが必要である。
知識に基づくモデリングには時間を要するため限界があり、常に利用できないシステムに関する情報(材料特性や異なる材料間の界面挙動など)を必要とする。
一方、データ駆動モデリングは実装が容易ですが、多くの場合、取得が難しい大きなデータセットを必要とします。
この貢献において、知識に基づくモデリングとデータ駆動モデリングは、Few-Shot Learning(FSL)アプローチを実装することで一意に結合される。
HT-PEMFC用に開発された知識ベースモデルを用いて、シミュレーションデータ(887,735点)を生成し、ニューラルネットワークのソースモデルを事前訓練した。
さらに,HT-PEMFCs向けに開発されたソースモデルは,燃料電池に類似した材料を利用する別の電気化学系であるHT-PEM ECHPsに適用された。
HT-PEMFCとHT-PEM ECHPの異なる材料と操作条件(それぞれ50ポイント)から得られた実験データセットを用いて、FSLを介して8つのターゲットモデルを訓練した。
RRMSEはHT-PEMCの1.04から3.73%、HT-PEM ECHPの6.38から8.46%)。
関連論文リスト
- Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。
このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。
普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
論文 参考訳（メタデータ） (2024-11-11T09:01:36Z) - Efficient Materials Informatics between Rockets and Electrons [0.0]
この論文は、超高温耐火高エントロピー合金(RHEA)を組み込んだ機能性グレード材料(FGM)の設計に焦点を当てている。
原子レベルでは、MPDDと呼ばれる450万以上の緩和された構造から機械学習(ML)に最適化されたデータエコシステムが、実験的な観察を知らせ、熱力学モデルを改善するために使用される。
結果として生じるマルチレベル発見インフラストラクチャは、既存のソリューションを探すのではなく、問題のエンコーディングに重点を置いているため、非常に一般化可能である。
論文 参考訳（メタデータ） (2024-07-05T17:03:26Z) - Deep convolutional encoder-decoder hierarchical neural networks for
conjugate heat transfer surrogate modeling [0.0]
共役熱伝達(CHT)モデルは、多くの工学系の設計に不可欠である。
高忠実性CHTモデルは計算集約的であり、設計最適化のようなアプリケーションでの使用を制限する。
モジュール型深層畳み込みエンコーダ・デコーダ階層型ニューラルネットワーク(DeepEDH)を開発した。
論文 参考訳（メタデータ） (2023-11-24T21:45:11Z) - New Approach for an Affective Computing-Driven Quality of Experience
(QoE) Prediction [0.0]
本稿では,感情型コンピュータ駆動のQuality of Experience(QoE)予測の新しいモデルを提案する。
The best results were obtained with a LSTM based model, presented a F1-score from 68% to 78%。
論文 参考訳（メタデータ） (2023-11-05T13:21:07Z) - SMPLer-X: Scaling Up Expressive Human Pose and Shape Estimation [83.18930314027254]
表現的人間のポーズと形状推定(EHPS)は、身体、手、顔の動きを多数の応用で統合する。
本研究では,VT-Huge をバックボーンとする第1次一般基礎モデル (SMPLer-X) に向けた EHPS のスケールアップについて検討する。
ビッグデータと大規模モデルにより、SMPLer-Xは、さまざまなテストベンチマークにまたがる強力なパフォーマンスと、目に見えない環境への優れた転送性を示す。
論文 参考訳（メタデータ） (2023-09-29T17:58:06Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-10-18T14:43:50Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳（メタデータ） (2021-06-08T10:14:57Z) - Quaternion Factorization Machines: A Lightweight Solution to Intricate
Feature Interaction Modelling [76.89779231460193]
factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。
本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
論文 参考訳（メタデータ） (2021-04-05T00:02:36Z) - 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)
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。