論文の概要: Reduced Order Dynamical Models For Complex Dynamics in Manufacturing and
Natural Systems Using Machine Learning
- arxiv url: http://arxiv.org/abs/2110.08313v1
- Date: Fri, 15 Oct 2021 18:44:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 20:52:24.005059
- Title: Reduced Order Dynamical Models For Complex Dynamics in Manufacturing and
Natural Systems Using Machine Learning
- Title（参考訳）: 機械学習を用いた製造・自然システムにおける複雑なダイナミクスの次数モデル
- Authors: William Farlessyost and Shweta Singh
- Abstract要約: この研究は、機械学習(ML)アプローチを用いて製造と自然システムの低次モデルを開発する。
本手法はダイズ油からダイズ油までのプロセスプラントと湖沼システムで実証された。
以上の結果から, プロセスプラントの高精度線形ODEモデルを同定し, 基礎となる線形化学量測定機構と力学を駆動する質量収支を考察した。
- 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: Dynamical analysis of manufacturing and natural systems provides critical
information about production of manufactured and natural resources
respectively, thus playing an important role in assessing sustainability of
these systems. However, current dynamic models for these systems exist as
mechanistic models, simulation of which is computationally intensive and does
not provide a simplified understanding of the mechanisms driving the overall
dynamics. For such systems, lower-order models can prove useful to enable
sustainability analysis through coupled dynamical analysis. There have been few
attempts at finding low-order models of manufacturing and natural systems, with
existing work focused on model development of individual mechanism level. This
work seeks to fill this current gap in the literature of developing simplified
dynamical models for these systems by developing reduced-order models using a
machine learning (ML) approach. The approach is demonstrated on an entire
soybean-oil to soybean-diesel process plant and a lake system. We use a
grey-box ML method with a standard nonlinear optimization approach to identify
relevant models of governing dynamics as ODEs using the data simulated from
mechanistic models. Results show that the method identifies a high accuracy
linear ODE models for the process plant, reflective of underlying linear
stoichiometric mechanisms and mass balance driving the dynamics. For the
natural systems, we modify the ML approach to include the effect of past
dynamics, which gives non-linear ODE. While the modified approach provides a
better match to dynamics of stream flow, it falls short of completely
recreating the dynamics. We conclude that the proposed ML approach work well
for systems where dynamics is smooth, such as in manufacturing plant whereas
does not work perfectly well in case of chaotic dynamics such as water stream
flow.
- Abstract（参考訳）: 製造・天然システムの動的解析は, 製造・天然資源の生産に関する重要な情報を提供し, これらのシステムの持続可能性を評価する上で重要な役割を担っている。
しかし、これらのシステムの現在の力学モデルは力学モデルとして存在し、シミュレーションは計算集約的であり、全体的な力学を駆動するメカニズムを単純化するものではない。
このようなシステムにとって、低次モデルは結合力学解析による持続可能性解析を可能にするのに有用である。
製造と自然システムの低次モデルを見つける試みはほとんどなく、既存の研究は個々のメカニズムレベルのモデル開発に焦点を当てている。
この研究は、機械学習(ML)アプローチを用いて低次モデルを開発することによって、これらのシステムのための単純化された動的モデルを開発するという、現在のギャップを埋めようとしている。
このアプローチはダイズオイルからダイズディーゼルプロセスプラントおよび湖水系全体に対して実証されている。
標準非線形最適化手法を用いたgrey-box ml法を用いて,機械力学モデルからシミュレーションしたデータを用いて,力学の関連するモデルをodeとして同定する。
以上の結果から, プロセスプラントの高精度線形ODEモデルを同定し, 基礎となる線形化学量測定機構と力学を駆動する質量収支を考察した。
自然システムに対しては、過去の力学の影響を含むようにMLアプローチを変更し、非線形ODEを与える。
修正されたアプローチは、ストリームフローのダイナミクスとよりよくマッチするが、完全なダイナミクスの再現には至っていない。
提案手法は, 製造プラントのように動的にスムーズなシステムでは有効であるが, 水の流れなどのカオス力学の場合, 完全には機能しない。
関連論文リスト
- Modeling Latent Neural Dynamics with Gaussian Process Switching Linear Dynamical Systems [2.170477444239546]
ガウス過程スイッチング線形力学系(gpSLDS)の2つの目的をバランスさせるアプローチを開発する。
我々の手法は、非線形力学をガウス過程(GP-SDE)で記述した微分方程式による潜在状態の進化をモデル化した以前の研究に基づいている。
本手法は, 離散状態境界近傍の力学における人工振動など, rSLDS の重要な限界を解消するとともに, 力学の後方不確かさを推定する。
論文 参考訳（メタデータ） (2024-07-19T15:32:15Z) - Physically Analyzable AI-Based Nonlinear Platoon Dynamics Modeling During Traffic Oscillation: A Koopman Approach [4.379212829795889]
物理的アナライザビリティを同時に達成しつつ、高精度なモデリング手法が不可欠である。
本稿では,AIのパワーを利用した未知の非線形プラトン力学をモデル化するためのAIベースのクープマン手法を提案する。
論文 参考訳（メタデータ） (2024-06-20T19:35:21Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳（メタデータ） (2022-02-25T20:00:56Z) - Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。
本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文 参考訳（メタデータ） (2022-02-17T07:56:46Z) - Learning Low-Dimensional Quadratic-Embeddings of High-Fidelity Nonlinear
Dynamics using Deep Learning [9.36739413306697]
データから動的モデルを学ぶことは、エンジニアリング設計、最適化、予測において重要な役割を果たす。
深層学習を用いて高忠実度力学系に対する低次元埋め込みを同定する。
論文 参考訳（メタデータ） (2021-11-25T10:09:00Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳（メタデータ） (2021-11-02T10:51:42Z) - Using scientific machine learning for experimental bifurcation analysis
of dynamic systems [2.204918347869259]
本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。
数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。
ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
論文 参考訳（メタデータ） (2021-10-22T15:43:03Z) - Autoregressive Dynamics Models for Offline Policy Evaluation and
Optimization [60.73540999409032]
表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。
また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
論文 参考訳（メタデータ） (2021-04-28T16:48:44Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - Prediction with Approximated Gaussian Process Dynamical Models [7.678864239473703]
我々はマルコフであるGPDMを近似し、その制御理論的性質を解析する。
結果は、近似モデルのパワーを示す数値的な例で示される。
論文 参考訳（メタデータ） (2020-06-25T16:51:17Z) - Learning Stable Deep Dynamics Models [91.90131512825504]
状態空間全体にわたって安定することが保証される力学系を学習するためのアプローチを提案する。
このような学習システムは、単純な力学系をモデル化することができ、複雑な力学を学習するために追加の深層生成モデルと組み合わせることができることを示す。
論文 参考訳（メタデータ） (2020-01-17T00:04:45Z)
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。