論文の概要: Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning

• arxiv url: http://arxiv.org/abs/2110.09360v1
• Date: Mon, 18 Oct 2021 14:43:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-19 14:58:12.757008
• Title: Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning
• Title（参考訳）: ガウス過程と確率的条件生成学習を用いた機械学習モデルによる液体燃料特性の予測
• Authors: Rodolfo S. M. Freitas, \'Agatha P. F. Lima, Cheng Chen, Fernando A. Rochinha, Daniel Mira, Xi Jiang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 56.67751936864119
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate determination of fuel properties of complex mixtures over a wide range of pressure and temperature conditions is essential to utilizing alternative fuels. The present work aims to construct cheap-to-compute machine learning (ML) models to act as closure equations for predicting the physical properties of alternative fuels. Those models can be trained using the database from MD simulations and/or experimental measurements in a data-fusion-fidelity approach. Here, Gaussian Process (GP) and probabilistic generative models are adopted. GP is a popular non-parametric Bayesian approach to build surrogate models mainly due to its capacity to handle the aleatory and epistemic uncertainties. Generative models have shown the ability of deep neural networks employed with the same intent. In this work, ML analysis is focused on a particular property, the fuel density, but it can also be extended to other physicochemical properties. This study explores the versatility of the ML models to handle multi-fidelity data. The results show that ML models can predict accurately the fuel properties of a wide range of pressure and temperature conditions.
• Abstract（参考訳）: 代替燃料の利用には, 様々な圧力および温度条件における複合混合物の燃料特性の精密決定が不可欠である。 本研究の目的は、代替燃料の物理特性を予測するためにクロージャ方程式として機能する安価な計算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、データ融合忠実度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。 ここではガウス過程(GP)と確率的生成モデルを採用する。 GPは補助的モデルを構築するための非パラメトリックベイズ的アプローチとして人気がある。 生成モデルは、同じ意図で使用されるディープニューラルネットワークの能力を示している。 この研究では、ML分析は特定の性質、すなわち燃料密度に焦点を当てるが、他の物理化学的性質にも拡張することができる。 本研究では,マルチ忠実度データを扱うMLモデルの汎用性について検討する。 その結果,MLモデルでは,幅広い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。

関連論文リスト

• Physics-Informed Machine Learning for Grade Prediction in Froth Flotation [8.271361104403802]
  本稿では, 凍結浮動小胞体における金濃度の集中度を予測するための物理インフォームドニューラルネットワークモデルを開発した。 第一原理に基づくモデルの複雑さは直接の使用を制限するが、純粋にデータ駆動モデルは動的産業環境では失敗することが多い。
  論文  参考訳（メタデータ） (2024-08-12T12:10:36Z)
• Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
  科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。 これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
  論文  参考訳（メタデータ） (2024-03-03T04:21:21Z)
• A Priori Uncertainty Quantification of Reacting Turbulence Closure Models using Bayesian Neural Networks [0.0]
  反応流モデルにおける不確実性を捉えるためにベイズニューラルネットワークを用いる。 我々は、BNNモデルが、データ駆動クロージャモデルの不確実性の構造に関するユニークな洞察を提供することができることを示した。 このモデルの有効性は,様々な火炎条件と燃料からなるデータセットに対する事前評価によって実証される。
  論文  参考訳（メタデータ） (2024-02-28T22:19:55Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Accurate machine learning force fields via experimental and simulation data fusion [0.0]
  機械学習(ML)ベースの力場は、量子レベルの精度で古典的原子間ポテンシャルのスケールにまたがる能力のために、ますます関心が高まりつつある。 ここでは、密度汎関数理論(DFT)計算と実験的に測定された力学特性と格子パラメータの両方を活用して、チタンのMLポテンシャルを訓練する。 融合したデータ学習戦略は、全ての対象目標を同時に満たすことができ、結果として、単一のソースデータで訓練されたモデルと比較して高い精度の分子モデルが得られることを実証する。
  論文  参考訳（メタデータ） (2023-08-17T18:22:19Z)
• Balanced Training of Energy-Based Models with Adaptive Flow Sampling [13.951904929884618]
  エネルギーベースモデル (EBMs) は、非正規化ログ密度を直接パラメータ化する汎用密度推定モデルである。 我々は、異なる種類の生成モデル、正規化フロー(NF)を用いたESMのための新しい最大可能性トレーニングアルゴリズムを提案する。 本手法はトレーニング中にNFをEMMに適合させ,NF支援サンプリング方式によりESMの正確な勾配が常に得られるようにする。
  論文  参考訳（メタデータ） (2023-06-01T13:58:06Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• 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)
• Generative models and Bayesian inversion using Laplace approximation [0.3670422696827525]
  近年, 生成モデルを用いて高情報化の先行問題として逆問題の解法が提案されている。 導出ベイズ推定は、生成モデルの低次元多様体を用いたアプローチとは対照的に、一貫したものであることを示す。
  論文  参考訳（メタデータ） (2022-03-15T10:05:43Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)

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。