論文の概要: Physics-based Learning of Parameterized Thermodynamics from Real-time
Thermography
- arxiv url: http://arxiv.org/abs/2203.13148v1
- Date: Thu, 24 Mar 2022 16:06:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-25 15:59:06.242916
- Title: Physics-based Learning of Parameterized Thermodynamics from Real-time
Thermography
- Title(参考訳): 物理に基づくリアルタイムサーモグラフィによるパラメータ化熱力学の学習
- Authors: Hamza El-Kebir, Joseph Bentsman
- Abstract要約: 実時間サーモグラフィデータから熱過程のダイナミクスを学習するための物理に基づく新しいアプローチを提案する。
提案手法は雑音に対して頑健であり,パラメータ推定の精度向上に有効であることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Progress in automatic control of thermal processes has long been limited by
the difficulty of obtaining high-fidelity thermodynamic models. Traditionally,
in complex thermodynamic systems, it is often infeasible to estimate the
thermophysical parameters of spatiotemporally varying processes, forcing the
adoption of model-free control architectures. This comes at the cost of losing
any robustness guarantees, and implies a need for extensive real-life testing.
In recent years, however, infrared cameras and other thermographic equipment
have become readily applicable to these processes, allowing for a real-time,
non-invasive means of sensing the thermal state of a process. In this work, we
present a novel physics-based approach to learning a thermal process's dynamics
directly from such real-time thermographic data, while focusing attention on
regions with high thermal activity. We call this process, which applies to any
higher-dimensional scalar field, attention-based noise robust averaging (ANRA).
Given a partial-differential equation model structure, we show that our
approach is robust against noise, and can be used to initialize optimization
routines to further refine parameter estimates. We demonstrate our method on
several simulation examples, as well as by applying it to electrosurgical
thermal response data on in vivo porcine skin tissue.
- Abstract(参考訳): 熱過程の自動制御の進歩は、高忠実度熱力学モデルを得ることの難しさによって長い間制限されてきた。
伝統的に、複雑な熱力学系では、時空間的に変化するプロセスの熱物理パラメータを推定することは不可能であり、モデルフリーな制御アーキテクチャの採用を強いる。
これは、堅牢性保証を失うコストが伴うため、大規模な実物テストの必要性が示唆される。
しかし近年では、赤外線カメラやその他のサーモグラフィ機器がこれらのプロセスに容易に適用され、プロセスの熱状態をリアルタイムかつ非侵襲的に検出できるようになっている。
本研究では,熱活動の高い領域に注目しつつ,そのようなリアルタイム熱画像データから直接熱過程のダイナミクスを学習するための物理に基づく新しいアプローチを提案する。
我々はこの過程を,高次元スカラー場,注目型ノイズロバスト平均化(ANRA)に適用する。
偏微分方程式モデル構造を考えると,本手法は雑音に対して頑健であり,パラメータ推定をさらに洗練するために最適化ルーチンを初期化することができる。
本手法をいくつかのシミュレーション例で示すとともに,生体内ブタ皮膚組織の電気的熱応答データに適用した。
関連論文リスト
- vHeat: Building Vision Models upon Heat Conduction [63.00030330898876]
vHeatは、高い計算効率とグローバルな受容場の両方を同時に達成する、新しいビジョンバックボーンモデルである。
基本的な考え方は、画像パッチを熱源として概念化し、それらの相関の計算を熱エネルギーの拡散としてモデル化することである。
論文 参考訳(メタデータ) (2024-05-26T12:58:04Z) - Deep generative modelling of canonical ensemble with differentiable thermal properties [0.9421843976231371]
標準アンサンブルの温度の異なる変分モデルを提案する。
深部生成モデルを用いて、連続した温度範囲で自由エネルギーを推定し、同時に最小化する。
トレーニングプロセスはデータセットを必要とせず、任意の明示的な密度生成モデルで動作する。
論文 参考訳(メタデータ) (2024-04-29T03:41:49Z) - 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$で測定された高忠実度を実現し、トレーニングプロセスに含まれていない測地に対する一般化性を維持した。
論文 参考訳(メタデータ) (2023-07-04T16:17:59Z) - A Neural PDE Solver with Temporal Stencil Modeling [44.97241931708181]
最近の機械学習(ML)モデルでは、高解像度信号において重要なダイナミクスを捉えることが約束されている。
この研究は、低解像度のダウンサンプリング機能で重要な情報が失われることがしばしばあることを示している。
本稿では,高度な時系列シーケンスモデリングと最先端のニューラルPDEソルバの強みを組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2023-02-16T06:13:01Z) - Minimally Invasive Live Tissue High-fidelity Thermophysical Modeling
using Real-time Thermography [0.487576911714538]
生体組織におけるエネルギーベース手術のための新しい熱力学的パラメータ推定フレームワークを提案する。
この枠組みは、組織固有の熱力学をリアルタイムで推定する問題に対処し、組織への熱的損傷の正確な予測と電気外科的手順の損傷を意識した計画を可能にする。
論文 参考訳(メタデータ) (2023-01-23T21:54:01Z) - Conditional Generative Models for Simulation of EMG During Naturalistic
Movements [45.698312905115955]
本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。
本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
論文 参考訳(メタデータ) (2022-11-03T14:49:02Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳(メタデータ) (2022-06-26T10:58:41Z) - Hybrid full-field thermal characterization of additive manufacturing
processes using physics-informed neural networks with data [5.653328302363391]
我々は,物理インフォームドニューラルネットワークを用いたAMプロセスのハイブリッドなデータ駆動熱モデリング手法を開発した。
赤外線カメラから測定された部分観測温度データと物理法則を組み合わせることで、全球温度履歴を予測する。
その結果,ハイブリッド熱モデルでは未知のパラメータを効果的に同定し,フルフィールド温度を正確に把握できることがわかった。
論文 参考訳(メタデータ) (2022-06-15T18:27:10Z) - Photoinduced prethermal order parameter dynamics in the two-dimensional
large-$N$ Hubbard-Heisenberg model [77.34726150561087]
2次元相関電子モデルにおいて、競合する秩序相の微視的ダイナミクスについて検討する。
2つの競合する位相間の光誘起遷移をシミュレートする。
論文 参考訳(メタデータ) (2022-05-13T13:13:31Z) - Residual fourier neural operator for thermochemical curing of composites [9.236600710244478]
本稿では,Residual Fourier Neural Operator (ResFNO)を提案する。
ドメイン知識を時間分解能独立パラメータ化ニューラルネットワークに統合することにより、治療サイクルと温度履歴の間のマッピングをラベル付きデータの限られた数で学習することができる。
論文 参考訳(メタデータ) (2021-11-15T14:28:11Z) - Uhlmann Fidelity and Fidelity Susceptibility for Integrable Spin Chains
at Finite Temperature: Exact Results [68.8204255655161]
奇数パリティ部分空間の適切な包含は、中間温度範囲における最大忠実度感受性の向上につながることを示す。
正しい低温の挙動は、2つの最も低い多体エネルギー固有状態を含む近似によって捉えられる。
論文 参考訳(メタデータ) (2021-05-11T14:08:02Z)
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。