Fugu-MT 論文翻訳(概要): Accelerated Design and Deployment of Low-Carbon Concrete for Data Centers

論文の概要: Accelerated Design and Deployment of Low-Carbon Concrete for Data Centers

arxiv url: http://arxiv.org/abs/2204.05397v1
Date: Mon, 11 Apr 2022 20:40:13 GMT
ステータス: 処理完了
システム内更新日: 2022-04-13 14:43:53.033418
Title: Accelerated Design and Deployment of Low-Carbon Concrete for Data Centers
Title（参考訳）: データセンター用低炭素コンクリートの高速設計と展開
Authors: Xiou Ge, Richard T. Goodwin, Haizi Yu, Pablo Romero, Omar Abdelrahman, Amruta Sudhalkar, Julius Kusuma, Ryan Cialdella, Nishant Garg, and Lav R. Varshney
Abstract要約: 条件付き変分オートエンコーダ (CVAE) を用いて, 所望の特性を持つ具体的な公式を探索する。私たちのモデルは、UCI Machine Learning Repositoryの小さなオープンデータセットを使ってトレーニングされています。本報告では, アメリカ合衆国, デカルブのメタデータセンターにおいて, 建物や構造物の造成にこれらの定式化が用いられていることを報告する。
参考スコア（独自算出の注目度）: 13.376376442187922
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Concrete is the most widely used engineered material in the world with more than 10 billion tons produced annually. Unfortunately, with that scale comes a significant burden in terms of energy, water, and release of greenhouse gases and other pollutants; indeed 8% of worldwide carbon emissions are attributed to the production of cement, a key ingredient in concrete. As such, there is interest in creating concrete formulas that minimize this environmental burden, while satisfying engineering performance requirements including compressive strength. Specifically for computing, concrete is a major ingredient in the construction of data centers. In this work, we use conditional variational autoencoders (CVAEs), a type of semi-supervised generative artificial intelligence (AI) model, to discover concrete formulas with desired properties. Our model is trained just using a small open dataset from the UCI Machine Learning Repository joined with environmental impact data from standard lifecycle analysis. Computational predictions demonstrate CVAEs can design concrete formulas with much lower carbon requirements than existing formulations while meeting design requirements. Next we report laboratory-based compressive strength experiments for five AI-generated formulations, which demonstrate that the formulations exceed design requirements. The resulting formulations were then used by Ozinga Ready Mix -- a concrete supplier -- to generate field-ready concrete formulations, based on local conditions and their expertise in concrete design. Finally, we report on how these formulations were used in the construction of buildings and structures in a Meta data center in DeKalb, IL, USA. Results from field experiments as part of this real-world deployment corroborate the efficacy of AI-generated low-carbon concrete mixes.
Abstract（参考訳）: コンクリートは世界で最も広く使われている材料であり、年間100億トン以上を生産している。残念ながら、このスケールでは、温室効果ガスやその他の汚染物質のエネルギー、水、放出の面でかなりの負担がかかる。そのため, 圧縮強度を含む工学的性能要件を満たしつつ, 環境負荷を最小限に抑える具体的な公式の作成に関心がある。特にコンピューティングにおいて、コンクリートはデータセンター建設の主要な要素である。本研究では,半教師付き生成人工知能(AI)モデルの一種である条件付き変分オートエンコーダ(CVAE)を用いて,所望の特性を持つ具体的な公式を発見する。われわれのモデルは、UCI Machine Learning Repositoryの小さなオープンデータセットと、標準ライフサイクル分析の環境影響データだけで訓練されている。 CVAEは、設計要件を満たしながら、既存の定式化よりも炭素要求の少ないコンクリート式を設計できることを示す。次に, 実験室を用いた5つのAI生成定式化のための圧縮強度実験を行い, 定式化が設計要求を超えることを示す。その結果得られた定式化はオジンガ・レディ・ミックス(コンクリートサプライヤー)によって、現地の条件とコンクリートの設計に関する専門知識に基づいて、フィールド対応のコンクリート定式化を生成するために使用された。最後に, これらの定式化が, アメリカ合衆国, デカルブのメタデータセンターにおける建物や構造物の建築にどのように使われたかについて報告する。この実世界の展開の一部としてのフィールド実験の結果は、aiが生成する低炭素コンクリートミキサーの有効性を裏付けている。

関連論文リスト

BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
論文参考訳（メタデータ） (2024-08-19T05:17:40Z)
Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
PropEnは'matching'にインスパイアされている。一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
論文参考訳（メタデータ） (2024-05-28T11:30:19Z)
Predicting Confinement Effect of Carbon Fiber Reinforced Polymers on Strength of Concrete using Metaheuristics-based Artificial Neural Networks [0.0]
本稿では, メタヒューリスティックスに基づく人工ニューラルネットワークを用いた炭素繊維強化ポリマー(CFRP)のコンクリートシリンダー強度に対する閉じ込め効果の予測について述べる。シリンダーの直径(d)と高さ(h)、コンクリートの未固着圧縮強度、封止コンクリートfccの究極圧縮強度を含む8つのパラメータについて、708CFRP密閉コンクリートシリンダーの詳細なデータベースを構築した。 PSOのハイブリッドモデルは, 最大精度99.13%のCFRP充填コンクリートシリンダの強度を予測し, GWOはその結果を予測した。
論文参考訳（メタデータ） (2023-12-22T17:27:50Z)
Sustainable Concrete via Bayesian Optimization [4.149122595744125]
地球規模の二酸化炭素排出量の8%はセメントの生産による可能性がある。そのため、低炭素コンクリート公式の発見は持続可能性にとって非常に重要である。
論文参考訳（メタデータ） (2023-10-27T17:25:12Z)
Probabilistic selection and design of concrete using machine learning [0.0]
機械学習を用いて信頼性の高いプロパティ予測を行うことで、コンクリートのパフォーマンスベースの仕様作成が容易になる。本研究では, 炭素化に対する耐性が高いコンクリートの混合物と, 環境影響の低いコンクリートの混合物を同定する手法を適用した。我々の一般的な手法は、構造工学に幅広い応用がある機械学習におけるノイズの活用を可能にする。
論文参考訳（メタデータ） (2023-04-21T19:20:40Z)
Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model [72.65502770895417]
176ビリオンパラメータ言語モデルBLOOMの炭素フットプリントを,そのライフサイクルにわたって定量化する。 BLOOMの最終訓練で約24.7トンのカルボネックが放出されたと推定する。本稿では,機械学習モデルの炭素フットプリントを正確に推定することの難しさについて論じる。
論文参考訳（メタデータ） (2022-11-03T17:13:48Z)
Artificial Intelligence in Concrete Materials: A Scientometric View [77.34726150561087]
本章は, コンクリート材料用AI研究の主目的と知識構造を明らかにすることを目的としている。まず、1990年から2020年にかけて発行された389の雑誌記事が、ウェブ・オブ・サイエンスから検索された。キーワード共起分析やドキュメント共起分析などのサイエントメトリックツールを用いて,研究分野の特徴と特徴を定量化した。
論文参考訳（メタデータ） (2022-09-17T18:24:56Z)
Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
論文参考訳（メタデータ） (2022-06-10T17:04:04Z)
Learning to Sieve: Prediction of Grading Curves from Images of Concrete Aggregate [1.6249267147413522]
本稿では, コンクリート骨材グレーディング曲線を決定するための深層学習法を提案する。本稿では,マルチスケール特徴抽出モジュールを応用したネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-04-07T10:04:05Z)
Federated Learning of Molecular Properties in a Heterogeneous Setting [79.00211946597845]
これらの課題に対処するために、フェデレーションヘテロジニアス分子学習を導入する。フェデレートラーニングにより、エンドユーザは、独立したクライアント上に分散されたトレーニングデータを保存しながら、グローバルモデルを協調的に構築できる。 FedChemは、化学におけるAI改善のための新しいタイプのコラボレーションを可能にする必要がある。
論文参考訳（メタデータ） (2021-09-15T12:49:13Z)
Learning from Sparse Datasets: Predicting Concrete's Strength by Machine Learning [2.350486334305103]
データ駆動機械学習は、コンクリートの混合比と強度の間の複雑で非線形で非付加的な関係を扱うことを約束している。ここでは、データセットの大きさの関数として具体的な強度を確実に予測する方法を「学習」するMLアルゴリズムを選択する能力の比較を行う。
論文参考訳（メタデータ） (2020-04-29T18:06:07Z)

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。