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
- An Autonomous Large Language Model Agent for Chemical Literature Data
Mining [60.85177362167166]
本稿では,幅広い化学文献から高忠実度抽出が可能なエンドツーエンドAIエージェントフレームワークを提案する。
本フレームワークの有効性は,反応条件データの精度,リコール,F1スコアを用いて評価する。
論文 参考訳(メタデータ) (2024-02-20T13:21:46Z) - From concrete mixture to structural design -- a holistic optimization
procedure in the presence of uncertainties [1.6385815610837167]
橋、ダム、建物などの土木構造物の設計は、複数の専門家から多くのシナジーを必要とする複雑な作業である。
本稿では, 連立前方ワークフローにおけるコンクリートの混合設計と構造シミュレーションを組み合わせた総合的な最適化手法を提案する。
論文 参考訳(メタデータ) (2023-12-06T16:54:14Z) - 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) - Counting Carbon: A Survey of Factors Influencing the Emissions of
Machine Learning [77.62876532784759]
機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。
このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。
本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
論文 参考訳(メタデータ) (2023-02-16T18:35:00Z) - 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。