論文の概要: Low-Dimensional High-Fidelity Kinetic Models for NOX Formation by a
Compute Intensification Method
- arxiv url: http://arxiv.org/abs/2202.10194v1
- Date: Mon, 21 Feb 2022 13:08:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-23 08:45:03.961775
- Title: Low-Dimensional High-Fidelity Kinetic Models for NOX Formation by a
Compute Intensification Method
- Title（参考訳）: 計算インテンシフィケーション法によるnox生成の低次元高忠実度運動モデル
- Authors: Mark Kelly, Harry Dunne, Gilles Bourque, Stephen Dooley
- Abstract要約: この方法は、コンパクトモデル生成のためのケミカル・キネティクス・アルゴリズムの機械学習最適化に適応する。
3つの追加ノード(N, NO, NO2)からなる最小サイズの仮想反応ネットワークを構成する論理規則の集合を定義する。
結果として得られた18ノードの仮想反応ネットワークは、MLOCK符号化アルゴリズムによって処理され、NOX生成のための多数のコンパクトモデル候補を生成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A novel compute intensification methodology to the construction of
low-dimensional, high-fidelity "compact" kinetic models for NOX formation is
designed and demonstrated. The method adapts the data intensive Machine Learned
Optimization of Chemical Kinetics (MLOCK) algorithm for compact model
generation by the use of a Latin Square method for virtual reaction network
generation. A set of logical rules are defined which construct a minimally
sized virtual reaction network comprising three additional nodes (N, NO, NO2).
This NOX virtual reaction network is appended to a pre-existing compact model
for methane combustion comprising fifteen nodes.
The resulting eighteen node virtual reaction network is processed by the
MLOCK coded algorithm to produce a plethora of compact model candidates for NOX
formation during methane combustion. MLOCK automatically; populates the terms
of the virtual reaction network with candidate inputs; measures the success of
the resulting compact model candidates (in reproducing a broad set of gas
turbine industry-defined performance targets); selects regions of input
parameters space showing models of best performance; refines the input
parameters to give better performance; and makes an ultimate selection of the
best performing model or models.
By this method, it is shown that a number of compact model candidates exist
that show fidelities in excess of 75% in reproducing industry defined
performance targets, with one model valid to >75% across fuel/air equivalence
ratios of 0.5-1.0. However, to meet the full fuel/air equivalence ratio
performance envelope defined by industry, we show that with this minimal
virtual reaction network, two further compact models are required.
- Abstract（参考訳）: NOX生成のための低次元高忠実な「コンパクト」運動モデルの構築のための新しい計算強調手法を設計、実証した。
この方法は、仮想反応ネットワーク生成にラテン方形法を用いて、コンパクトモデル生成のための化学動力学(mlock)アルゴリズムの最適化を学習したデータ集約機械に適用する。
3つの追加ノード(N, NO, NO2)からなる最小サイズの仮想反応ネットワークを構成する論理規則の集合を定義する。
このNOX仮想反応ネットワークは、15個のノードからなるメタン燃焼のための既設コンパクトモデルに付加される。
得られた18ノードの仮想反応ネットワークは、MLOCK符号化アルゴリズムによって処理され、メタン燃焼中のNOX生成のための多数のコンパクトモデル候補を生成する。
MLOCKは自動的に、仮想反応ネットワークの条件に候補入力を投入し、結果のコンパクトモデル候補の成功を計測し(ガスタービン産業が定義した幅広い性能目標を再現する)、最高の性能のモデルを示す入力パラメータ空間の領域を選択し、より良い性能を与えるために入力パラメータを洗練し、最高の性能モデルまたはモデルの究極の選択を行う。
この方法では, 再生産業で75%以上の性能目標を示すコンパクトモデル候補が多数存在し, 燃料/空気同値比0.5～1.0の1モデルが75%以上有効であった。
しかし,産業が定義する全燃料/空気等価比性能エンベロープを満たすために,この最小仮想反応ネットワークでは,さらに2つのコンパクトモデルが必要であることを示す。
関連論文リスト
- Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。
我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
論文 参考訳（メタデータ） (2024-10-28T17:25:56Z) - Flow Generator Matching [35.371071097381346]
フロージェネレータマッチング(FGM)は、フローマッチングモデルのサンプリングをワンステップ生成に高速化するように設計されている。
CIFAR10の非条件生成ベンチマークでは、1段階のFGMモデルが新たなFr'echet Inception Distance(FID)スコア3.08を達成した。
MM-DiT-FGMワンステップテキスト・ツー・イメージモデルでは,業界レベルでの優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2024-10-25T05:41:28Z) - Towards Robust and Efficient Cloud-Edge Elastic Model Adaptation via Selective Entropy Distillation [56.79064699832383]
Cloud-Edge Elastic Model Adaptation (CEMA)パラダイムを確立し、エッジモデルが前方伝播のみを実行するようにします。
CEMAでは,通信負担を軽減するため,不要なサンプルをクラウドにアップロードすることを避けるための2つの基準を考案した。
論文 参考訳（メタデータ） (2024-02-27T08:47:19Z) - A-SDM: Accelerating Stable Diffusion through Redundancy Removal and
Performance Optimization [54.113083217869516]
本研究ではまず,ネットワークの計算冗長性について検討する。
次に、モデルの冗長性ブロックをプルークし、ネットワーク性能を維持する。
第3に,計算集約型注意部を高速化するグローバル地域対話型注意(GRI)を提案する。
論文 参考訳（メタデータ） (2023-12-24T15:37:47Z) - Entropic Score metric: Decoupling Topology and Size in Training-free NAS [18.804303642485895]
本稿では,そのアクティベーションの集約的要素ワイドエントロピーを通じてモデル表現率を推定するために,Entropic Score という新しいトレーニング自由度指標を提案する。
LogSynflowと適切な組み合わせにより、モデルサイズを探索し、1GPU時間未満でエッジアプリケーション用の高性能ハイブリッドトランスフォーマーを完全に設計する能力が向上する。
論文 参考訳（メタデータ） (2023-10-06T11:49:21Z) - Precision-Recall Divergence Optimization for Generative Modeling with
GANs and Normalizing Flows [54.050498411883495]
本研究では,ジェネレーティブ・アドバイサル・ネットワークや正規化フローなどの生成モデルのための新しいトレーニング手法を開発した。
指定された精度-リコールトレードオフを達成することは、textitPR-divergencesと呼ぶ家族からのユニークな$f$-divergenceを最小化することを意味する。
当社のアプローチは,ImageNetなどのデータセットでテストした場合の精度とリコールの両面で,BigGANのような既存の最先端モデルの性能を向上させる。
論文 参考訳（メタデータ） (2023-05-30T10:07:17Z) - A Generative Approach for Production-Aware Industrial Network Traffic
Modeling [70.46446906513677]
ドイツにあるTrumpf工場に配備されたレーザー切断機から発生するネットワークトラフィックデータについて検討した。
我々は、トラフィック統計を分析し、マシンの内部状態間の依存関係をキャプチャし、ネットワークトラフィックを生産状態依存プロセスとしてモデル化する。
可変オートエンコーダ(VAE)、条件付き可変オートエンコーダ(CVAE)、生成逆ネットワーク(GAN)など、様々な生成モデルの性能の比較を行った。
論文 参考訳（メタデータ） (2022-11-11T09:46:58Z) - Toward Development of Machine Learned Techniques for Production of
Compact Kinetic Models [0.0]
化学動力学モデルは燃焼装置の開発と最適化に欠かせない要素である。
本稿では、過度に再現され、最適化された化学動力学モデルを生成するための、新しい自動計算強化手法を提案する。
論文 参考訳（メタデータ） (2022-02-16T12:31:24Z) - Rate Distortion Characteristic Modeling for Neural Image Compression [59.25700168404325]
エンドツーエンドの最適化機能は、ニューラルイメージ圧縮(NIC)の優れた損失圧縮性能を提供する。
異なるモデルは、R-D空間の異なる点に到達するために訓練される必要がある。
深層ネットワークと統計モデルを用いてNICのR-D挙動を記述するために,本質的な数学的関数の定式化に努めている。
論文 参考訳（メタデータ） (2021-06-24T12:23:05Z) - Toward Machine Learned Highly Reduce Kinetic Models For Methane/Air
Combustion [0.0]
運動モデルを用いて、物理実験と比較して運転条件、燃料組成、燃焼器設計の影響をテストする。
対象とする詳細なモデル特性を高い忠実度で再現するコンパクトモデルを作成するための,新しいデータ指向三段階法を提案する。
この戦略はメタン/空気燃焼のための19種と15種のコンパクトモデルによって実証されている。
論文 参考訳（メタデータ） (2021-03-15T13:29:08Z) - Maximum Entropy Model Rollouts: Fast Model Based Policy Optimization
without Compounding Errors [10.906666680425754]
我々は、最大エントロピーモデルロールアウト(MEMR)と呼ばれるダイナスタイルモデルに基づく強化学習アルゴリズムを提案する。
複雑なエラーをなくすために、我々はモデルを使って単一ステップのロールアウトを生成する。
論文 参考訳（メタデータ） (2020-06-08T21:38:15Z)
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。