論文の概要: On the Performance of Machine Learning Methods for Breakthrough Curve Prediction

• arxiv url: http://arxiv.org/abs/2204.11719v1
• Date: Mon, 25 Apr 2022 15:27:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-26 16:08:01.628899
• Title: On the Performance of Machine Learning Methods for Breakthrough Curve Prediction
• Title（参考訳）: ブレークスルー曲線予測のための機械学習手法の性能について
• Authors: Daria Fokina (1 and 2), Oleg Iliev (1 and 2 and 3), Pavel Toktaliev (1 and 2), Ivan Oseledets (4), Felix Schindler (5) ((1) Fraunhofer ITWM, (2) Technische Universit\"at Kaiserslautern, (3) Institute of Mathematics and Informatics, Bulgarian Academy of Sciences, (4) Skolkovo Institute of Science and Technology, (5) Westf\"alische Wilhelms-Universit\"at M\"unster)
• Abstract要約: 多孔質媒質中の反応性流れに関連して、出口濃度の時間依存性を表すためにブレークスルー曲線という用語が用いられる。 本研究では、与えられたパラメータ集合からブレークスルー曲線を予測するために、いくつかの機械学習手法を適用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reactive flows are important part of numerous technical and environmental processes. Often monitoring the flow and species concentrations within the domain is not possible or is expensive, in contrast, outlet concentration is straightforward to measure. In connection with reactive flows in porous media, the term breakthrough curve is used to denote the time dependency of the outlet concentration with prescribed conditions at the inlet. In this work we apply several machine learning methods to predict breakthrough curves from the given set of parameters. In our case the parameters are the Damk\"ohler and Peclet numbers. We perform a thorough analysis for the one-dimensional case and also provide the results for the three-dimensional case.
• Abstract（参考訳）: リアクティブフローは多くの技術および環境プロセスの重要な部分である。 多くの場合、ドメイン内の流れや種濃度のモニタリングは不可能または高価であり、対照的に、出口濃度の計測は容易である。 多孔質媒体の反応性流れに関連して、入口の所定条件で出口濃度の時間依存性を表すためにブレークスルー曲線という用語が用いられる。 本研究では,与えられたパラメータセットからブレークスルー曲線を予測するために,いくつかの機械学習手法を適用した。 私たちの場合、パラメータは Damk\"ohler と Peclet である。 1次元の場合について徹底的な解析を行い、3次元の場合の結果も提供する。

関連論文リスト

• Training Dynamics of Multi-Head Softmax Attention for In-Context Learning: Emergence, Convergence, and Optimality [54.20763128054692]
  マルチタスク線形回帰の文脈内学習のためのマルチヘッドソフトマックスアテンションモデルを訓練するための勾配流のダイナミクスについて検討する。 我々は,勾配流のダイナミックス中に,興味深い「タスク割り当て」現象が現れることを証明した。
  論文  参考訳（メタデータ） (2024-02-29T18:43:52Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• Posterior Contraction Rates for Mat\'ern Gaussian Processes on Riemannian Manifolds [51.68005047958965]
  我々は,本質的なガウス過程が実際により優れた性能を発揮することを示す。 我々の研究は、データ効率の異なるレベルを区別するために、よりきめ細かい分析が必要であることを示している。
  論文  参考訳（メタデータ） (2023-09-19T20:30:58Z)
• Machine-Learning Solutions for the Analysis of Single-Particle Diffusion Trajectories [0.0]
  拡散時系列の機械学習における最近導入された手法の概要について概説する。 我々は、解釈可能性を改善し、マシンの学習プロセスに関する具体的な洞察を提供するとともに、不確実性の推定と特徴に基づくアプローチを含む手段に焦点を当てる。
  論文  参考訳（メタデータ） (2023-08-18T09:29:29Z)
• Qubit Dynamics beyond Lindblad: Non-Markovianity versus Rotating Wave Approximation [0.0]
  量子ビットと環境自由度の間の相互作用における微妙な効果は、徐々に関連性を持ち、実験的に見えるようになる。 これは特に、量子ビット演算において最もよく用いられる数値シミュレーションプラットフォームの基礎となる時間スケールの分離に適用される。 i)これらの時間スケール分離の違反を実験的に監視できる範囲と、(ii)どれが最も深刻で高精度な予測を行うことができるかという質問に光を当てた。
  論文  参考訳（メタデータ） (2023-08-11T09:16:07Z)
• Machine learning methods for prediction of breakthrough curves in reactive porous media [0.0]
  機械学習とビッグデータのアプローチは、低コストでブレークスルー曲線を予測するのに役立つ。 本稿では,触媒フィルタにおける細孔スケールの反応性流れについて,その性能を実証する。
  論文  参考訳（メタデータ） (2023-01-12T13:25:13Z)
• Normalizing Flows for Interventional Density Estimation [18.640006398066188]
  我々は、インターベンショナル正規化フローと呼ばれる、新しい完全にパラメトリックなディープラーニング手法を提案する。 2つの正規化フロー,すなわち (i) ニュアンスパラメータを推定するためのニュアンスフロー, (ii) 潜在結果の密度をパラメトリックに推定するターゲットフローを組み合わせる。
  論文  参考訳（メタデータ） (2022-09-13T17:56:13Z)
• Higher Order Kernel Mean Embeddings to Capture Filtrations of Stochastic Processes [11.277354787690646]
  我々は、KMEの概念を一般化する高階カーネル平均埋め込みの族を紹介する。 我々は,高次最大平均誤差 (MMD) に対する経験的推定器を導出し,整合性を証明した。 我々は,実世界のキャリブレーションと最適な停止問題を解くことができるプロセス上に,普遍カーネル群を構築する。
  論文  参考訳（メタデータ） (2021-09-08T12:27:25Z)
• Contrastive learning of strong-mixing continuous-time stochastic processes [53.82893653745542]
  コントラスト学習(Contrastive Learning)は、ラベルのないデータから構築された分類タスクを解決するためにモデルを訓練する自己指導型の手法のファミリーである。 拡散の場合,小～中距離間隔の遷移カーネルを適切に構築したコントラスト学習タスクを用いて推定できることが示される。
  論文  参考訳（メタデータ） (2021-03-03T23:06:47Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Continuous Wasserstein-2 Barycenter Estimation without Minimax Optimization [94.18714844247766]
  ワッサーシュタイン・バリセンターは、最適輸送に基づく確率測度の重み付き平均の幾何学的概念を提供する。 本稿では,Wasserstein-2 バリセンタのサンプルアクセスを演算するスケーラブルなアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-02T21:01:13Z)

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。