論文の概要: Physics-Informed Deep Reversible Regression Model for Temperature Field
Reconstruction of Heat-Source Systems
- arxiv url: http://arxiv.org/abs/2106.11929v1
- Date: Tue, 22 Jun 2021 17:01:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-23 16:51:51.622885
- Title: Physics-Informed Deep Reversible Regression Model for Temperature Field
Reconstruction of Heat-Source Systems
- Title（参考訳）: 熱源系の温度場再構成のための物理インフォームド深可逆回帰モデル
- Authors: Zhiqiang Gong and Weien Zhou and Jun Zhang and Wei Peng and Wen Yao
- Abstract要約: 本研究は, 温度場再構成のための物理インフォームドディープサロゲートモデルを開発した。
熱伝達の物理的性質を考慮すると, この研究は4つの異なる損失を提案し, これらの損失を伴って深い代理モデルを学ぶ。
- 参考スコア（独自算出の注目度）: 10.151316399254718
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Temperature monitoring during the life time of heat-source components in
engineering systems becomes essential to ensure the normal work and even the
long working life of the heat sources. However, prior methods, which mainly use
the interpolate estimation, require large amounts of temperature tensors for an
accurate estimation. To solve this problem, this work develops a novel
physics-informed deep surrogate models for temperature field reconstruction.
First, we defines the temperature field reconstruction task of heat-source
systems. Then, this work develops the deep surrogate model mapping for the
proposed task. Finally, considering the physical properties of heat transfer,
this work proposes four different losses and joint learns the deep surrogate
model with these losses. Experimental studies have conducted over typical
two-dimensional heat-source systems to demonstrate the effectiveness and
efficiency of the proposed physics-informed deep surrogate models for
temperature field reconstruction.
- Abstract（参考訳）: 工学系における熱源成分の寿命における温度モニタリングは、熱源の通常の作業や長時間の作業時間を保証するために必須となる。
しかし、主に補間推定を用いる従来の方法は、正確な推定のために大量の温度テンソルを必要とする。
そこで本研究では, 温度場再構成のための新しい物理インフォームド深層サーロゲートモデルを開発した。
まず,熱源系の温度場再構築タスクを定義する。
そこで本研究では,提案課題に対する深い代理モデルマッピングを開発する。
最後に, 熱伝達の物理的性質を考慮し, 4つの異なる損失を提案し, ジョイントがこれらの損失について深いサロゲートモデルを学ぶ。
代表的な2次元熱源システムを用いて, 温度場再構成のための物理式深部サーロゲートモデルの有効性と効率を実証する実験を行った。
関連論文リスト
- Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。
絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
論文 参考訳（メタデータ） (2024-10-28T15:54:50Z) - Temperature Balancing, Layer-wise Weight Analysis, and Neural Network
Training [58.20089993899729]
本稿では,直感的で効果的な階層学習手法であるTempBalanceを提案する。
我々は、TempBalanceが通常のSGDと注意深く調整されたスペクトルノルム正規化より著しく優れていることを示す。
また、TempBalanceは最先端のメトリクスやスケジューラよりも優れています。
論文 参考訳（メタデータ） (2023-12-01T05:38:17Z) - 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) - Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。
既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。
本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
論文 参考訳（メタデータ） (2023-11-20T08:27:56Z) - Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳（メタデータ） (2023-07-20T05:49:21Z) - DistilPose: Tokenized Pose Regression with Heatmap Distillation [81.21273854769765]
本研究では,熱マップに基づく手法と回帰に基づく手法のギャップを埋める,DistilPoseと呼ばれる新しいポーズ推定フレームワークを提案する。
DistilPoseは、教師モデル(ヒートマップベース)から生徒モデル(レグレッションベース)への知識伝達を、Token-distilling (TDE) と Simulated Heatmaps を通じて最大化する。
論文 参考訳（メタデータ） (2023-03-04T16:56:29Z) - Unsupervised Restoration of Weather-affected Images using Deep Gaussian
Process-based CycleGAN [92.15895515035795]
本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。
我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。
提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
論文 参考訳（メタデータ） (2022-04-23T01:30:47Z) - Physics-based Learning of Parameterized Thermodynamics from Real-time
Thermography [0.0]
実時間サーモグラフィデータから熱過程のダイナミクスを学習するための物理に基づく新しいアプローチを提案する。
提案手法は雑音に対して頑健であり,パラメータ推定の精度向上に有効であることを示す。
論文 参考訳（メタデータ） (2022-03-24T16:06:31Z) - A deep learning method based on patchwise training for reconstructing
temperature field [10.422905687540172]
本研究は、限られた観測から電子機器の温度場を正確に再構築するためのパッチワイズトレーニングに基づく新しい深層学習手法を提案する。
再構成された温度場の絶対誤差はパッチワイドトレーニング法で1K未満である。
論文 参考訳（メタデータ） (2022-01-26T10:42:23Z) - TFRD: A Benchmark Dataset for Research on Temperature Field
Reconstruction of Heat-Source Systems [10.609815608017065]
熱源系(TFR-HSS)の温度場再構築は熱管理において重要な役割を担っている。
再建法を広く研究するための公開データセットは存在しない。
この研究は、一般的に使われているメソッドを用いて、TFR-HSSタスクのための特定のデータセット、TFRDを構築する。
論文 参考訳（メタデータ） (2021-08-17T15:32:58Z) - A Deep Neural Network Surrogate Modeling Benchmark for Temperature Field
Prediction of Heat Source Layout [0.0]
ディープニューラルネットワーク(DNN)回帰法は、その優れた計算性能のために実現可能な方法です。
本稿では,DNNベースのサロゲートモデリングタスクベンチマークを提案する。
実験は10の最先端のDNNモデルで行われます。
論文 参考訳（メタデータ） (2021-03-20T13:26:21Z)
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。