論文の概要: Passive learning to address nonstationarity in virtual flow metering
applications
- arxiv url: http://arxiv.org/abs/2202.03236v1
- Date: Mon, 7 Feb 2022 14:42:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-08 18:43:22.989011
- Title: Passive learning to address nonstationarity in virtual flow metering
applications
- Title(参考訳): 仮想フロー計測応用における非定常性へのパッシブ学習
- Authors: Mathilde Hotvedt, Bjarne Grimstad, Lars Imsland
- Abstract要約: 本稿では,定常仮想フローメータの予測精度を維持するために,学習手法の適用方法について検討する。
周期的バッチ学習とオンライン学習という2つの受動的学習法を、様々なキャリブレーション周波数で応用し、仮想フローメーターを訓練する。
第1に、頻繁な到着測定が存在する場合、頻繁なモデル更新は、時間とともに優れた予測性能を保ち、第2に、間欠的かつ頻繁な到着測定が存在する場合、頻繁な更新は、性能の精度を高めるために不可欠である。
- 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: Steady-state process models are common in virtual flow meter applications due
to low computational complexity, and low model development and maintenance
cost. Nevertheless, the prediction performance of steady-state models typically
degrades with time due to the inherent nonstationarity of the underlying
process being modeled. Few studies have investigated how learning methods can
be applied to sustain the prediction accuracy of steady-state virtual flow
meters. This paper explores passive learning, where the model is frequently
calibrated to new data, as a way to address nonstationarity and improve
long-term performance. An advantage with passive learning is that it is
compatible with models used in the industry. Two passive learning methods,
periodic batch learning and online learning, are applied with varying
calibration frequency to train virtual flow meters. Six different model types,
ranging from data-driven to first-principles, are trained on historical
production data from 10 petroleum wells. The results are two-fold: first, in
the presence of frequently arriving measurements, frequent model updating
sustains an excellent prediction performance over time; second, in the presence
of intermittent and infrequently arriving measurements, frequent updating in
addition to the utilization of expert knowledge is essential to increase the
performance accuracy. The investigation may be of interest to experts
developing soft-sensors for nonstationary processes, such as virtual flow
meters.
- Abstract(参考訳): 定常プロセスモデルは計算の複雑さが低く、モデルの開発やメンテナンスコストが低く、仮想フローメータアプリケーションでは一般的である。
それにもかかわらず、定常モデルの予測性能は、通常、モデル化されるプロセスの固有の非定常性のために時間の経過とともに低下する。
定常的な仮想フローメータの予測精度を維持するために学習法をどのように適用できるかを研究した研究はほとんどない。
本稿では,非定常性に対処し,長期的性能を向上させる手段として,モデルが新しいデータに校正されることの多い受動的学習について検討する。
受動的学習の利点は、業界で使われているモデルと互換性があることだ。
周期的バッチ学習とオンライン学習という2つのパッシブ学習法を適用し,キャリブレーション周波数を変化させて仮想フローメータを訓練する。
データ駆動型から第一原理型まで、6つの異なるモデルタイプが10の石油油井の歴史的生産データに基づいて訓練されている。
第1に,頻繁なモデル更新は時間とともに優れた予測性能を保ち,第2に,間欠的かつ不十分な測定値が存在する場合には,専門家の知識の活用に加えて頻繁な更新がパフォーマンスの精度向上に不可欠である。
この調査は、仮想フローメーターのような非定常プロセスのためのソフトセンサーを開発する専門家にとって興味深い。
関連論文リスト
- A Practitioner's Guide to Continual Multimodal Pretraining [83.63894495064855]
マルチモーダル・ファンデーション・モデルは視覚と言語を交わす多くのアプリケーションに役立っている。
モデルを更新し続けるために、継続事前トレーニングの研究は主に、大規模な新しいデータに対する頻度の低い、差別的な更新、あるいは頻繁に行われるサンプルレベルの更新のシナリオを探求する。
本稿では,FoMo-in-Flux(FoMo-in-Flux)について紹介する。
論文 参考訳(メタデータ) (2024-08-26T17:59:01Z) - Towards An Online Incremental Approach to Predict Students Performance [0.8287206589886879]
本稿では,オンライン分類器を更新するためのメモリベースのオンラインインクリメンタル学習手法を提案する。
提案手法は,現在の最先端技術と比較して10%近く向上し,モデル精度の顕著な向上を実現している。
論文 参考訳(メタデータ) (2024-05-03T17:13:26Z) - Combating Missing Modalities in Egocentric Videos at Test Time [92.38662956154256]
現実のアプリケーションは、プライバシの懸念、効率性の必要性、ハードウェアの問題により、不完全なモダリティを伴う問題に直面することが多い。
再トレーニングを必要とせずに,テスト時にこの問題に対処する新しい手法を提案する。
MiDlは、欠落したモダリティをテスト時にのみ扱う、自己管理型のオンラインソリューションとしては初めてのものだ。
論文 参考訳(メタデータ) (2024-04-23T16:01:33Z) - Improving Online Continual Learning Performance and Stability with
Temporal Ensembles [30.869268130955145]
オンライン連続学習における性能と安定性向上のためのモデルアンサンブルの効果について検討する。
テスト時の重み(EMA)の指数移動平均を計算するために,軽量時間アンサンブルを用いる。
論文 参考訳(メタデータ) (2023-06-29T09:53:24Z) - On the Costs and Benefits of Adopting Lifelong Learning for Software
Analytics -- Empirical Study on Brown Build and Risk Prediction [17.502553991799832]
本稿では,ユビソフトにおける産業用ユースケースにおける生涯学習(LL)の利用について検討する。
LLは、新しいデータを使用して古いモデルを段階的に更新するインクリメンタルラーナを使用して、MLベースのソフトウェア分析ツールを継続的に構築し、メンテナンスするために使用される。
論文 参考訳(メタデータ) (2023-05-16T21:57:16Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳(メタデータ) (2022-11-09T23:40:52Z) - Efficient Learning of Accurate Surrogates for Simulations of Complex Systems [0.0]
サンプリング駆動サンプリングによって強化されたオンライン学習手法を提案する。
モデル応答面上のすべての旋回点がトレーニングデータに含まれることを保証する。
本手法を核物質のシミュレーションに適用し,高精度なサロゲートを確実に自動生成できることを実証する。
論文 参考訳(メタデータ) (2022-07-11T20:51:11Z) - 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) - Distilling Interpretable Models into Human-Readable Code [71.11328360614479]
人間可読性は機械学習モデル解釈可能性にとって重要で望ましい標準である。
従来の方法を用いて解釈可能なモデルを訓練し,それを簡潔で可読なコードに抽出する。
本稿では,幅広いユースケースで効率的に,確実に高品質な結果を生成する分別線形曲線フィッティングアルゴリズムについて述べる。
論文 参考訳(メタデータ) (2021-01-21T01:46:36Z) - Tracking Performance of Online Stochastic Learners [57.14673504239551]
オンラインアルゴリズムは、大規模なバッチにデータを保存したり処理したりすることなく、リアルタイムで更新を計算できるため、大規模な学習環境で人気がある。
一定のステップサイズを使用すると、これらのアルゴリズムはデータやモデル特性などの問題パラメータのドリフトに適応し、適切な精度で最適解を追跡する能力を持つ。
定常仮定に基づく定常状態性能とランダムウォークモデルによるオンライン学習者の追跡性能の関連性を確立する。
論文 参考訳(メタデータ) (2020-04-04T14:16:27Z) - New Perspectives on the Use of Online Learning for Congestion Level
Prediction over Traffic Data [6.664111208927475]
本研究は時系列データによる分類に焦点を当てる。
非定常現象によって時系列が生成されると、予測されるクラスと系列に関連するパターンは時間とともに進化する。
オンライン学習方法は、時間とともに到着する新しいデータサンプルから漸進的に学習し、データストリームに沿った最終的な変更に対応する。
論文 参考訳(メタデータ) (2020-03-27T09:44:57Z)
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。