論文の概要: Explainable Artificial Intelligence for Exhaust Gas Temperature of Turbofan Engines

• arxiv url: http://arxiv.org/abs/2203.13108v2
• Date: Fri, 25 Mar 2022 08:38:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-28 11:43:24.344051
• Title: Explainable Artificial Intelligence for Exhaust Gas Temperature of Turbofan Engines
• Title（参考訳）: ターボファンエンジンの排気温度に関する説明可能な人工知能
• Authors: Marios Kefalas, Juan de Santiago Rojo Jr., Asteris Apostolidis, Dirk van den Herik, Bas van Stein, Thomas B\"ack
• Abstract要約: 記号回帰は「ブラックボックス」モデルの解釈可能な代替品である。 本研究では, 実寿命排ガス温度(EGT)データにSRを適用し, 飛行全体を通して高周波数で収集する。 その結果, 3degCの絶対差は, モデル精度に有意な結果が得られた。
• 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: Data-driven modeling is an imperative tool in various industrial applications, including many applications in the sectors of aeronautics and commercial aviation. These models are in charge of providing key insights, such as which parameters are important on a specific measured outcome or which parameter values we should expect to observe given a set of input parameters. At the same time, however, these models rely heavily on assumptions (e.g., stationarity) or are "black box" (e.g., deep neural networks), meaning that they lack interpretability of their internal working and can be viewed only in terms of their inputs and outputs. An interpretable alternative to the "black box" models and with considerably less assumptions is symbolic regression (SR). SR searches for the optimal model structure while simultaneously optimizing the model's parameters without relying on an a-priori model structure. In this work, we apply SR on real-life exhaust gas temperature (EGT) data, collected at high frequencies through the entire flight, in order to uncover meaningful algebraic relationships between the EGT and other measurable engine parameters. The experimental results exhibit promising model accuracy, as well as explainability returning an absolute difference of 3{\deg}C compared to the ground truth and demonstrating consistency from an engineering perspective.
• Abstract（参考訳）: データ駆動モデリングは、航空工学や商業航空の分野における多くの応用を含む、様々な産業応用において必須のツールである。 これらのモデルは、特定の測定結果においてどのパラメータが重要であるか、または入力パラメータのセットで観察すべきパラメータ値など、重要な洞察を提供する役割を担っている。 しかし、これらのモデルは仮定(定常性など)や「ブラックボックス」(深層ニューラルネットワークなど)に大きく依存しているため、内部動作の解釈性が欠如しており、入力や出力の観点でしか見ることができない。 ブラックボックス」モデルの解釈可能な代替品で、仮定がかなり少ないものはシンボリック回帰(SR)である。 SRは、アプリオリモデル構造に頼ることなく、モデルのパラメータを同時に最適化しながら最適なモデル構造を探索する。 本研究では, 実寿命排気温度(EGT)データにSRを適用し, EGTと他の測定可能なエンジンパラメータ間の有意義な代数的関係を明らかにする。 実験の結果, モデル精度が期待できるとともに, 3{\deg}c の絶対差を, 工学的観点からの一貫性を示すことができた。

関連論文リスト

• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• ETHER: Efficient Finetuning of Large-Scale Models with Hyperplane Reflections [59.839926875976225]
  本稿では,HypErplane Reflectionsによる高効率微調整を行うETHER変換ファミリを提案する。 特に,既存のPEFT法と極めて少ないパラメータで一致または性能を向上するEtheRと緩和ETHER+を導入する。
  論文  参考訳（メタデータ） (2024-05-30T17:26:02Z)
• Deep learning modelling of manufacturing and build variations on multi-stage axial compressors aerodynamics [0.0]
  本稿では,多段軸圧縮機の流れ場および空力特性予測のためのディープラーニングフレームワークの開発と応用について述べる。 物理に基づく次元の減少は、流れ場予測の可能性を解き放つ。 提案アーキテクチャは,産業関連アプリケーションに対して,CFDベンチマークに匹敵する精度をリアルタイムに達成できることが証明されている。
  論文  参考訳（メタデータ） (2023-10-06T14:11:21Z)
• Sensi-BERT: Towards Sensitivity Driven Fine-Tuning for Parameter-Efficient BERT [6.029590006321152]
  本稿では、下流タスクのための感度駆動効率の良いBERTモデルの微調整であるSensi-BERTを提案する。 実験の結果,MNLI,QQP,QNLI,SST-2,SQuADなどの下流タスクに対するSensi-BERTの有効性が示された。
  論文  参考訳（メタデータ） (2023-07-14T17:24:15Z)
• Knowledge-embedded meta-learning model for lift coefficient prediction of airfoils [25.546237636065182]
  攻撃角度の異なる任意の超臨界翼の昇降係数を求めるために,知識埋め込みメタ学習モデルを開発した。 通常のニューラルネットワークと比較して,提案モデルでは,競合予測精度でより優れた一般化能力を示すことができる。 その結果, 提案モデルでは, 翼形状が物理的特性に与える影響を評価する傾向が示唆された。
  論文  参考訳（メタデータ） (2023-03-06T02:47:31Z)
• Analyzing Transformers in Embedding Space [59.434807802802105]
  学習したトランスフォーマーの全てのパラメータを埋め込み空間に投影することで解釈する理論解析を提案する。 予め訓練されたモデルと微調整されたモデルの両方のパラメータを埋め込み空間で解釈できることを示す。 我々の発見は、少なくとも部分的には、モデル仕様から抽象化し、埋め込み空間でのみ動作する解釈手法への扉を開く。
  論文  参考訳（メタデータ） (2022-09-06T14:36:57Z)
• Approximate Bayesian Computation for Physical Inverse Modeling [0.32771631221674324]
  本稿では,モデルパラメータ抽出プロセスを自動化する手法を提案する。 その結果, 勾配木を用いた移動曲線から抽出したパラメータを正確に予測できることが示唆された。 この研究は、提案したフレームワークと微調整されたニューラルネットワークの比較分析も提供し、提案したフレームワークの性能が向上することが示されている。
  論文  参考訳（メタデータ） (2021-11-26T02:23:05Z)
• Interpreting Machine Learning Models for Room Temperature Prediction in Non-domestic Buildings [0.0]
  本研究では,非住宅の室温予測を目的とした解釈可能な機械学習モデルを提案する。 提案モデルでは, 室温をリアルタイムで8時間前に正確に予測できることを実験的に実証した。
  論文  参考訳（メタデータ） (2021-11-23T11:16:35Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  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。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• MoEfication: Conditional Computation of Transformer Models for Efficient Inference [66.56994436947441]
  トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。 スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。 そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
  論文  参考訳（メタデータ） (2021-10-05T02:14:38Z)
• On the Sparsity of Neural Machine Translation Models [65.49762428553345]
  性能向上のために冗長パラメータを再利用できるかどうかを検討する。 実験と分析は異なるデータセットとNTTアーキテクチャで体系的に行われる。
  論文  参考訳（メタデータ） (2020-10-06T11:47:20Z)

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。