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/2106.11929v2
- Date: Thu, 24 Jun 2021 03:25:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-25 12:20:31.201402
- 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, 熱源系の温度場再構成のための物理インフォームド深部可逆回帰モデルを開発した。
まず、熱源系の温度場再構成タスクを数学的に定義し、問題を数値的にモデル化し、さらに問題を画像から画像への回帰問題として変換する。
本研究は, 深部モデルの前方・後方伝播法則に基づいて, 境界付近の物理情報をよりよく学習できる深部可逆回帰モデルを開発する。
- 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 these heat sources. However, prior methods, which mainly
use the interpolate estimation to reconstruct the whole temperature field with
the temperature value from limited monitoring points, require large amounts of
temperature tensors for an accurate estimation. This may decrease the
availability and reliability of the system and sharply increase the monitoring
cost. Furthermore, limited number of labelled training samples are available
for the training of deep models. To solve this problem, this work develops a
novel physics-informed deep reversible regression models for temperature field
reconstruction of heat-source systems (TFR-HSS), which can better reconstruct
the temperature field with the given limited monitoring points unsupervisedly.
First, we define the temperature field reconstruction task of heat-source
systems mathematically, numerically model the problem, and further transform
the problem as an image-to-image regression problem. Then, based on the law of
forward and backward propagation of deep models, this work develops the deep
reversible regression model which can better learn the physical information
near the boundary and improve the reconstruction performance. Finally,
considering the physical characteristics of heat conduction as well as the
boundary conditions, this work proposes the physics-informed reconstruction
loss including four training losses and joint learns the deep surrogate model
with these losses unsupervisedly. Experimental studies have conducted over
typical two-dimensional heat-source systems to demonstrate the effectiveness
and efficiency of the proposed physics-informed deep reversible regression
models for TFR-HSS task.
- 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、これらの熱源の正常な作業と長時間の作業性を確保するために必須となる。
しかし、主に補間推定を用いて限られた観測点から温度値で温度場全体を再構成する従来の手法では、正確な推定には大量の温度テンソルが必要となる。
これにより、システムの可用性と信頼性が低下し、監視コストが大幅に増加する可能性がある。
さらに、深層モデルのトレーニングには限定されたラベル付きトレーニングサンプルが利用可能である。
この問題を解決するために,熱源系(TFR-HSS)の温度場再構成のための物理インフォームド深部可逆回帰モデルを開発した。
まず,熱源系の温度場再構成タスクを数学的に定義し,問題を数値的にモデル化し,さらにこれを画像から画像への回帰問題に変換する。
次に, 深層モデルの前方および後方伝播の法則に基づき, 境界付近の物理情報をより良く学習し, 復元性能を向上させる深層可逆回帰モデルを開発した。
最後に,熱伝導の物理的特性と境界条件を考慮し,4つのトレーニング損失を含む物理に変形した再構成損失を提案し,これらの損失を教師なしで深層サロゲートモデルを学ぶ。
TFR-HSSタスクに対する物理インフォームド深部可逆回帰モデルの有効性と有効性を示すため、典型的な2次元熱源系に対して実験を行った。
関連論文リスト
- 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) - A Neural PDE Solver with Temporal Stencil Modeling [44.97241931708181]
最近の機械学習(ML)モデルでは、高解像度信号において重要なダイナミクスを捉えることが約束されている。
この研究は、低解像度のダウンサンプリング機能で重要な情報が失われることがしばしばあることを示している。
本稿では,高度な時系列シーケンスモデリングと最先端のニューラルPDEソルバの強みを組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2023-02-16T06:13:01Z) - 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。