論文の概要: A deep learning method based on patchwise training for reconstructing temperature field

• arxiv url: http://arxiv.org/abs/2201.10860v1
• Date: Wed, 26 Jan 2022 10:42:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-27 13:31:50.870801
• Title: A deep learning method based on patchwise training for reconstructing temperature field
• Title（参考訳）: 温度場再構築のためのパッチワイズトレーニングに基づく深層学習手法
• Authors: Xingwen Peng, Xingchen Li, Zhiqiang Gong, Xiaoyu Zhao, Wen Yao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.422905687540172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physical field reconstruction is highly desirable for the measurement and control of engineering systems. The reconstruction of the temperature field from limited observation plays a crucial role in thermal management for electronic equipment. Deep learning has been employed in physical field reconstruction, whereas the accurate estimation for the regions with large gradients is still diffcult. To solve the problem, this work proposes a novel deep learning method based on patchwise training to reconstruct the temperature field of electronic equipment accurately from limited observation. Firstly, the temperature field reconstruction (TFR) problem of the electronic equipment is modeled mathematically and transformed as an image-to-image regression task. Then a patchwise training and inference framework consisting of an adaptive UNet and a shallow multilayer perceptron (MLP) is developed to establish the mapping from the observation to the temperature field. The adaptive UNet is utilized to reconstruct the whole temperature field while the MLP is designed to predict the patches with large temperature gradients. Experiments employing finite element simulation data are conducted to demonstrate the accuracy of the proposed method. Furthermore, the generalization is evaluated by investigating cases under different heat source layouts, different power intensities, and different observation point locations. The maximum absolute errors of the reconstructed temperature field are less than 1K under the patchwise training approach.
• Abstract（参考訳）: 物理場再構成は工学系の計測と制御に非常に望ましい。 限られた観測から温度場の再構成は電子機器の熱管理において重要な役割を担っている。 深層学習は物理場再構成に使われてきたが、大きな勾配を持つ領域の正確な推定はいまだに困難である。 そこで本研究では,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。 まず、電子機器の温度場再構成(TFR)問題を数学的にモデル化し、画像から画像への回帰タスクとして変換する。 次に,適応型unetと浅層多層パーセプトロン(mlp)からなるパッチワイズトレーニング・推論フレームワークを開発し,観測から温度場へのマッピングを確立する。 適応UNetは温度場全体を再構成し、MLPは温度勾配が大きいパッチを予測するように設計されている。 有限要素シミュレーションデータを用いて,提案手法の精度を示す実験を行った。 さらに, 異なる熱源配置, 異なる電力強度, 異なる観測点位置の事例を調査することにより, 一般化を評価する。 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。

関連論文リスト

• A finite element-based physics-informed operator learning framework for spatiotemporal partial differential equations on arbitrary domains [33.7054351451505]
  偏微分方程式(PDE)によって支配される力学を予測できる新しい有限要素に基づく物理演算子学習フレームワークを提案する。 提案した演算子学習フレームワークは、現在の時間ステップで温度場を入力として、次の時間ステップで温度場を予測する。 ネットワークは、FEM溶液と比較して、任意の初期温度場の時間的変化を高精度に予測することに成功した。
  論文  参考訳（メタデータ） (2024-05-21T02:41:40Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• 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)
• Capturing Local Temperature Evolution during Additive Manufacturing through Fourier Neural Operators [0.0]
  本稿では, 加法製造過程における局所的な温度変化を捉えたデータ駆動モデルを提案する。 直接エネルギー沈着過程における不連続なガレルキン有限要素法に基づく数値シミュレーションで検証した。 その結果、このモデルはR2$で測定された高忠実度を実現し、トレーニングプロセスに含まれていない測地に対する一般化性を維持した。
  論文  参考訳（メタデータ） (2023-07-04T16:17:59Z)
• Learning Structure-Guided Diffusion Model for 2D Human Pose Estimation [71.24808323646167]
  ニューラルネットワークを用いてキーポイントのヒートマップを学習するための新しいスキームである textbfDiffusionPose を提案する。 トレーニング中、キーポイントはノイズを加えることでランダム分布に拡散され、拡散モデルはノイズ付きヒートマップから地中構造熱マップを復元する。 実験では、広く使用されているCOCO、CrowdPose、AI Challengeデータセット上で1.6、1.2、1.2mAPの改善による、私たちのスキームの長所が示されている。
  論文  参考訳（メタデータ） (2023-06-29T16:24:32Z)
• Information Entropy Initialized Concrete Autoencoder for Optimal Sensor Placement and Reconstruction of Geophysical Fields [58.720142291102135]
  そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。 本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。 得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
  論文  参考訳（メタデータ） (2022-06-28T12:43:38Z)
• 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)
• A physics and data co-driven surrogate modeling approach for temperature field prediction on irregular geometric domain [12.264200001067797]
  本研究では, 温度場予測のための新しい物理・データ共駆動サロゲートモデリング法を提案する。 数値計算により,本手法はより小さなデータセット上での精度予測を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2022-03-15T08:43:24Z)
• Physics-Informed Deep Monte Carlo Quantile Regression method for Interval Multilevel Bayesian Network-based Satellite Heat Reliability Analysis [6.339013443225807]
  提案手法は、深部畳み込みニューラルネットワークと既知の物理知識を組み合わせて、正確な温度場を再構築する。 本論文は、再構成された温度場と定量化アレタリック不確実性に基づいて、衛星熱の信頼性を解析するための間隔多レベルベイズネットワークをモデル化する。
  論文  参考訳（メタデータ） (2022-02-14T16:43:41Z)
• Physics-Informed Deep Reversible Regression Model for Temperature Field Reconstruction of Heat-Source Systems [10.151316399254718]
  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。
  論文  参考訳（メタデータ） (2021-06-22T17:01:53Z)
• Application of computer simulation results and machine learning in analysis of microwave radiothermometry data [117.44028458220427]
  この記事ではマイクロ波ラジオサーモメトリーデータ解析における機械学習の応用について論じる。 コンピュータ実験の助けを借りて、機械学習アルゴリズムセットに基づいて、哺乳腺の温度フィールドコンピュータモデルが適切を設定します。
  論文  参考訳（メタデータ） (2020-12-18T16:40:36Z)

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。