論文の概要: Latent Space Simulation for Carbon Capture Design Optimization

• arxiv url: http://arxiv.org/abs/2112.11656v1
• Date: Wed, 22 Dec 2021 03:55:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-23 20:27:50.700497
• Title: Latent Space Simulation for Carbon Capture Design Optimization
• Title（参考訳）: 炭素捕獲設計最適化のための潜時空間シミュレーション
• Authors: Brian Bartoldson, Rui Wang, Yucheng Fu, David Widemann, Sam Nguyen, Jie Bao, Zhijie Xu, Brenda Ng
• Abstract要約: 溶媒系炭素捕獲システムにおけるCO2捕捉効率は、ガス溶存界面面積(IA)に依存する 複雑な炭素捕獲CFDシミュレーションに適用できるサロゲートを開発した。 最適化されたDFスタイルのサロゲートは、大きなスピードアップ(4000x)を発生し、IA相対誤差は、見えないCS構成では4%以下である。
• 参考スコア（独自算出の注目度）: 7.705089176172641
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The CO2 capture efficiency in solvent-based carbon capture systems (CCSs) critically depends on the gas-solvent interfacial area (IA), making maximization of IA a foundational challenge in CCS design. While the IA associated with a particular CCS design can be estimated via a computational fluid dynamics (CFD) simulation, using CFD to derive the IAs associated with numerous CCS designs is prohibitively costly. Fortunately, previous works such as Deep Fluids (DF) (Kim et al., 2019) show that large simulation speedups are achievable by replacing CFD simulators with neural network (NN) surrogates that faithfully mimic the CFD simulation process. This raises the possibility of a fast, accurate replacement for a CFD simulator and therefore efficient approximation of the IAs required by CCS design optimization. Thus, here, we build on the DF approach to develop surrogates that can successfully be applied to our complex carbon-capture CFD simulations. Our optimized DF-style surrogates produce large speedups (4000x) while obtaining IA relative errors as low as 4% on unseen CCS configurations that lie within the range of training configurations. This hints at the promise of NN surrogates for our CCS design optimization problem. Nonetheless, DF has inherent limitations with respect to CCS design (e.g., limited transferability of trained models to new CCS packings). We conclude with ideas to address these challenges.
• Abstract（参考訳）: 溶剤系炭素捕獲システム(CCS)のCO2捕捉効率は、ガス溶性界面領域(IA)に依存し、IAの最大化はCCS設計の基本的な課題である。 計算流体力学(CFD)シミュレーションにより、特定のCCS設計に関連するIAを推定できるが、CFDを用いて多数のCCS設計に関連するIAを導出するのは、非常にコストがかかる。 幸いなことに、Deep Fluids (DF) (Kim et al., 2019)のような以前の研究は、CFDシミュレータをニューラルネットワーク(NN)サロゲートに置き換え、CFDシミュレーションプロセスを忠実に模倣することで、大規模なシミュレーションスピードアップを実現することができることを示した。 これにより、CFDシミュレータの高速かつ正確な置換が可能となり、CCS設計の最適化に必要なIAAの効率的な近似が可能となる。 そこで本研究では, 複雑な炭素回収cfdシミュレーションに適用可能なサロゲートを開発するためのdf手法を構築した。 最適化されたDF型サロゲートは、トレーニング設定の範囲内にある未確認CCS構成に対して、IA相対誤差を4%以下に抑えながら、大きなスピードアップ(4000x)を発生させる。 これは、CCS設計最適化問題に対するNNサロゲートの約束を示唆している。 それにもかかわらず、DF は CCS の設計に関して本質的に制限がある(例えば、訓練されたモデルの新しい CCS パッケージへの移植可能性に制限がある)。 これらの課題に対処するためのアイデアで締めくくります。

関連論文リスト

• Latent Conservative Objective Models for Data-Driven Crystal Structure Prediction [62.36797874900395]
  計算化学において、結晶構造予測は最適化問題である。 この問題に対処する1つのアプローチは、密度汎関数理論(DFT)に基づいてシミュレータを構築し、続いてシミュレーションで探索を実行することである。 我々は,LCOM(最近の保守的客観モデル)と呼ばれる我々の手法が,構造予測の成功率の観点から,最も優れたアプローチと同等に機能することを示す。
  論文  参考訳（メタデータ） (2023-10-16T04:35:44Z)
• Real-time high-resolution CO$_2$ geological storage prediction using nested Fourier neural operators [58.728312684306545]
  炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。 CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。 我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
  論文  参考訳（メタデータ） (2022-10-31T04:04:03Z)
• Demystifying the Data Need of ML-surrogates for CFD Simulations [3.0168882791480978]
  客車室内の温度分布を予測するためのMLに基づく代理モデルを提案する。 その結果, トレーニングサイズが2000から200に減少しても, 予測精度は高く, 安定していることがわかった。 トレーニングには50個のCFDシミュレーションしか使われていないが、MLサロゲートによって予測される温度傾向はCFDシミュレーションの結果とよく一致している。
  論文  参考訳（メタデータ） (2022-05-05T04:37:59Z)
• Deep Equilibrium Optical Flow Estimation [80.80992684796566]
  最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。 これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。 暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
  論文  参考訳（メタデータ） (2022-04-18T17:53:44Z)
• Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
  インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。 本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
  論文  参考訳（メタデータ） (2022-03-26T20:37:14Z)
• CCSNet: a deep learning modeling suite for CO$_2$ storage [0.0]
  CCSNetは、数値シミュレータが通常提供するすべての出力を生成する一連のディープラーニングモデルで構成されている。 結果は従来の数値シミュレータよりも10$3$から10$4$の速度です。
  論文  参考訳（メタデータ） (2021-04-05T06:56:25Z)
• Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks [52.32646357164739]
  最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。 提案されたSIDNNは、幅広いOPFスキームと互換性がある。 他のLearning-to-OPFスキームとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-03-27T00:45:23Z)
• Improved Mask-CTC for Non-Autoregressive End-to-End ASR [49.192579824582694]
  マスク予測とコネクショナリズム時間分類(CTC)に基づく最近提案されたエンドツーエンドASRシステム 我々は、最近提案されたConformerアーキテクチャを用いて、ネットワークアーキテクチャを強化することを提案する。 次に、部分的ターゲットシーケンスの長さを予測する補助的目的を導入することによって、新しいトレーニングと復号化手法を提案する。
  論文  参考訳（メタデータ） (2020-10-26T01:22:35Z)
• CFDNet: a deep learning-based accelerator for fluid simulations [1.5649420473539182]
  CFDは、飛行機の翼のリフトや自動車のドラッグなどの工学的な量の興味を予測するために使用される。 多くの興味あるシステムはCFDシミュレーションを評価するコストがかかるため、設計の最適化には不当に高価である。 本稿では,物理シミュレーションとディープラーニングを組み合わせたフレームワークCFDNetを紹介する。
  論文  参考訳（メタデータ） (2020-05-09T18:06:09Z)
• DeepCFD: Efficient Steady-State Laminar Flow Approximation with Deep Convolutional Neural Networks [5.380828749672078]
  DeepCFDは畳み込みニューラルネットワーク(CNN)ベースのモデルであり、非一様定常層流問題に対する解を効率的に近似する。 DeepCFDを用いることで、標準CFD手法と比較して最大3桁の高速化を低エラー率で実現した。
  論文  参考訳（メタデータ） (2020-04-19T12:00:37Z)

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。