論文の概要: When is gray-box modeling advantageous for virtual flow metering?

• arxiv url: http://arxiv.org/abs/2110.05034v1
• Date: Mon, 11 Oct 2021 07:01:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 20:53:02.638145
• Title: When is gray-box modeling advantageous for virtual flow metering?
• Title（参考訳）: 仮想フロー計測におけるグレーボックスモデリングはいつ有効か?
• Authors: M. Hotvedt, B. Grimstad, D. Ljungquist, L. Imsland
• Abstract要約: 仮想フロー計測アプリケーションにおける物理と機械学習の統合は、グレーボックスモデリングとして知られている。 本稿では、グレーボックスモデルが物理モデルやデータ駆動モデルより優れていると期待されるシナリオについて考察する。
• 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: Integration of physics and machine learning in virtual flow metering applications is known as gray-box modeling. The combination is believed to enhance multiphase flow rate predictions. However, the superiority of gray-box models is yet to be demonstrated in the literature. This article examines scenarios where a gray-box model is expected to outperform physics-based and data-driven models. The experiments are conducted with synthetic data where properties of the underlying data generating process are known and controlled. The results show that a gray-box model yields increased prediction accuracy over a physics-based model in the presence of process-model mismatch. They also show improvements over a data-driven model when the amount of available data is small. On the other hand, gray-box and data-driven models are similarly influenced by noisy measurements. Lastly, the results indicate that a gray-box approach may be advantageous in nonstationary process conditions. Unfortunately, choosing the best model prior to training is challenging, and overhead on model development is unavoidable.
• Abstract（参考訳）: 仮想フロー計測アプリケーションにおける物理と機械学習の統合はグレイボックスモデリングとして知られている。 この組み合わせは多相流量予測を強化すると考えられている。 しかし、グレイボックスモデルの優位性は文献にはまだ示されていない。 本稿では、グレーボックスモデルが物理モデルやデータ駆動モデルを上回ると期待されるシナリオについて検討する。 実験は、基礎となるデータ生成プロセスの特性が知られ制御される合成データを用いて行われる。 その結果, グレーボックスモデルでは, プロセスモデルミスマッチの存在下で, 物理モデルよりも予測精度が向上することがわかった。 また、利用可能なデータ量が小さい場合に、データ駆動モデルよりも改善される。 一方、グレーボックスとデータ駆動モデルも同様にノイズ測定の影響を受けている。 最後に,灰色ボックスアプローチが非定常プロセス条件において有利である可能性が示唆された。 残念ながら、トレーニングの前に最高のモデルを選択することは難しく、モデル開発のオーバーヘッドは避けられない。

関連論文リスト

• Data-Juicer Sandbox: A Comprehensive Suite for Multimodal Data-Model Co-development [67.55944651679864]
  統合データモデル共同開発に適した新しいサンドボックススイートを提案する。 このサンドボックスは包括的な実験プラットフォームを提供し、データとモデルの両方の迅速なイテレーションと洞察駆動による改善を可能にする。 また、徹底的なベンチマークから得られた実りある洞察を明らかにし、データ品質、多様性、モデル行動の間の重要な相互作用に光を当てています。
  論文  参考訳（メタデータ） (2024-07-16T14:40:07Z)
• Heat Death of Generative Models in Closed-Loop Learning [63.83608300361159]
  本研究では、独自の学習データセットに加えて、生成したコンテンツをフィードバックする生成モデルの学習ダイナミクスについて検討する。 各イテレーションで十分な量の外部データが導入されない限り、非自明な温度がモデルを退化させることを示す。
  論文  参考訳（メタデータ） (2024-04-02T21:51:39Z)
• Domain-aware Control-oriented Neural Models for Autonomous Underwater Vehicles [2.4779082385578337]
  ドメイン認識のレベルが異なる制御指向パラメトリックモデルを提案する。 データ駆動型ブラックボックスとAUVダイナミクスのグレイボックス表現を構築するために、普遍微分方程式を用いる。
  論文  参考訳（メタデータ） (2022-08-15T17:01:14Z)
• Identification of high order closure terms from fully kinetic simulations using machine learning [0.0]
  2つの異なる機械学習モデルが、運動シミュレーションから抽出された高次モーメントをいかに合成できるかを示す。 モデルの精度と一般化能力を評価し,ベースラインモデルと比較した。 どちらのモデルも熱流束と圧力テンソルを非常によく捉えることができ、勾配昇降レグレッタは2モデルの中で最も安定である。
  論文  参考訳（メタデータ） (2021-10-19T12:27:02Z)
• Contrastive Model Inversion for Data-Free Knowledge Distillation [60.08025054715192]
  そこで、データ多様性を最適化可能な目的として明示的にモデル化するContrastive Model Inversionを提案します。 我々の主な観察では、同じ量のデータの制約の下では、高いデータの多様性は、通常より強いインスタンス識別を示す。 CIFAR-10, CIFAR-100, Tiny-ImageNetを用いた実験により, 生成したデータを知識蒸留に使用する場合, CMIは極めて優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-05-18T15:13:00Z)
• On gray-box modeling for virtual flow metering [0.0]
  石油生産システムにおける流量の連続予測を可能にする仮想流量計(vfm)。 グレーボックスモデリングは、機械性とデータ駆動モデリングを組み合わせたアプローチです。 本論文は,石油油井10箇所の工業ケーススタディにおいて,グレーボックス型5種について検討する。
  論文  参考訳（メタデータ） (2021-03-23T13:17:38Z)
• Design of Dynamic Experiments for Black-Box Model Discrimination [72.2414939419588]
  選択したいような動的モデル判別の設定を考えてみましょう。 (i) 最高のメカニスティックな時間変化モデルと (ii) 最高のモデルパラメータ推定値です。 勾配情報にアクセス可能な競合する力学モデルに対しては、既存の手法を拡張し、より広い範囲の問題の不確実性を組み込む。 これらのブラックボックスモデルをガウス過程サロゲートモデルに置き換えることで、モデル識別設定を拡張して、競合するブラックボックスモデルをさらに取り入れる。
  論文  参考訳（メタデータ） (2021-02-07T11:34:39Z)
• Space-Filling Subset Selection for an Electric Battery Model [0.0]
  バッテリーの動作に関する実際の運転データは、システムの強く非均一な励起を表します。 アルゴリズムは、非線形モデルの入力空間をより均質に満たす動的データポイントを選択する。 このトレーニングデータの削減は、ランダムなサブセットと比較してモデル品質の向上と、すべてのデータポイントを用いたモデリングよりも高速なトレーニングにつながることが示されている。
  論文  参考訳（メタデータ） (2020-12-07T09:12:56Z)
• VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
  モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。 LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。 本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
  論文  参考訳（メタデータ） (2020-07-15T07:07:07Z)
• Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
  我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。 このようなモデルをリアルタイム診断に利用しています。
  論文  参考訳（メタデータ） (2020-03-04T00:44:57Z)

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。