論文の概要: Hybrid Machine Learning Modeling of Engineering Systems -- A
Probabilistic Perspective Tested on a Multiphase Flow Modeling Case Study
- arxiv url: http://arxiv.org/abs/2205.09196v1
- Date: Wed, 18 May 2022 20:15:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-21 11:37:10.597362
- Title: Hybrid Machine Learning Modeling of Engineering Systems -- A
Probabilistic Perspective Tested on a Multiphase Flow Modeling Case Study
- Title（参考訳）: 工学系のハイブリッド機械学習モデリング -多相流モデリングケーススタディに基づく確率論的視点-
- Authors: Timur Bikmukhametov and Johannes J\"aschke
- Abstract要約: 本稿では,第1原理モデルの処理条件のチューニングを可能にする,ハイブリッドモデリング機械学習フレームワークを提案する。
我々の手法は第一原理モデルパラメータの期待値を推定するだけでなく、これらの推定の不確実性を定量化する。
シミュレーションの結果, 得られたハイブリッドモデルの不確実性推定を用いて, より良い操作決定を行う方法が示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To operate process engineering systems in a safe and reliable manner,
predictive models are often used in decision making. In many cases, these are
mechanistic first principles models which aim to accurately describe the
process. In practice, the parameters of these models need to be tuned to the
process conditions at hand. If the conditions change, which is common in
practice, the model becomes inaccurate and needs to be re-tuned. In this paper,
we propose a hybrid modeling machine learning framework that allows tuning
first principles models to process conditions using two different types of
Bayesian Neural Networks. Our approach not only estimates the expected values
of the first principles model parameters but also quantifies the uncertainty of
these estimates. Such an approach of hybrid machine learning modeling is not
yet well described in the literature, so we believe this paper will provide an
additional angle at which hybrid machine learning modeling of physical systems
can be considered. As an example, we choose a multiphase pipe flow process for
which we constructed a three-phase steady state model based on the drift-flux
approach which can be used for modeling of pipe and well flow behavior in oil
and gas production systems with or without the neural network tuning. In the
simulation results, we show how uncertainty estimates of the resulting hybrid
models can be used to make better operation decisions.
- Abstract（参考訳）: プロセスエンジニアリングシステムを安全かつ信頼性の高い方法で運用するために、予測モデルは意思決定にしばしば使用される。
多くの場合、これらはプロセスの正確な記述を目的とした機械的第一原理モデルである。
実際、これらのモデルのパラメータは、手元にあるプロセス条件に調整する必要がある。
実際には一般的である条件が変更されると、モデルは不正確になり、再調整する必要があります。
本稿では,2種類のベイズニューラルネットワークを用いて,第1原理モデルをチューニングして条件を処理できるハイブリッドモデリング機械学習フレームワークを提案する。
我々の手法は第一原理モデルパラメータの期待値を推定するだけでなく、これらの推定の不確実性を定量化する。
このようなハイブリッド機械学習モデリングのアプローチはまだ文献によく説明されていないので、本論文は物理システムのハイブリッド機械学習モデリングを考慮可能な追加の角度を提供すると信じている。
例えば, ニューラルネットワークのチューニングの有無に関わらず, 石油・ガス生産システムにおける管と坑井の流動挙動のモデル化に使用できるドリフト流束法に基づく3相定常モデルを構築した多相管流プロセスを選択する。
シミュレーション結果では,結果のハイブリッドモデルの不確実性推定が,よりよい運用判断にどのように役立つかを示す。
関連論文リスト
- Transferable Post-training via Inverse Value Learning [83.75002867411263]
別個のニューラルネットワーク(すなわち値ネットワーク)を用いた後学習におけるロジットレベルのモデリング変更を提案する。
このネットワークをデモを使って小さなベースモデルでトレーニングした後、推論中に他のトレーニング済みモデルとシームレスに統合することができる。
得られた値ネットワークは、パラメータサイズの異なる事前学習されたモデル間で広い転送性を有することを示す。
論文 参考訳（メタデータ） (2024-10-28T13:48:43Z) - EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。
EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
論文 参考訳（メタデータ） (2024-05-23T05:25:45Z) - Stochastic Parameterizations: Better Modelling of Temporal Correlations
using Probabilistic Machine Learning [1.5293427903448025]
確率的フレームワーク内で物理インフォームされたリカレントニューラルネットワークを用いることで,96大気シミュレーションのモデルが競合することを示す。
これは、標準の1次自己回帰スキームと比較して時間的相関をモデル化する能力が優れているためである。
文献から多くの指標を評価するとともに、将来的な気候モデルにおいて、確率論的尺度が統一的な選択である可能性についても論じる。
論文 参考訳（メタデータ） (2022-03-28T14:51:42Z) - Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。
本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文 参考訳（メタデータ） (2022-02-17T07:56:46Z) - Enhancing predictive skills in physically-consistent way: Physics
Informed Machine Learning for Hydrological Processes [1.0635248457021496]
本研究では,概念的水文モデルのプロセス理解と最先端MLモデルの予測能力を組み合わせた物理インフォームド機械学習(PIML)モデルを開発する。
提案したモデルを用いて,インドのナルマダ川流域における目標(流れ流)と中間変数(実際の蒸発吸引)の月次時間系列を予測する。
論文 参考訳（メタデータ） (2021-04-22T12:13:42Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳（メタデータ） (2020-10-27T17:54:12Z) - Using Bayesian deep learning approaches for uncertainty-aware building
energy surrogate models [0.0]
機械学習シュロゲートモデルは、遅くて高忠実なエンジニアリングシミュレーションモデルをエミュレートするために訓練される。
ベイズパラダイムに従う深層学習モデルが存在する。
その結果, 高い不確実性を有する試料の10%を高忠実度モデルに転送した場合, 誤差を最大30%低減できることがわかった。
論文 参考訳（メタデータ） (2020-10-05T15:04:18Z) - Introduction to Rare-Event Predictive Modeling for Inferential
Statisticians -- A Hands-On Application in the Prediction of Breakthrough
Patents [0.0]
本稿では,予測性能の最適化を目的とした定量的分析のための機械学習(ML)手法を提案する。
両フィールド間の潜在的な相乗効果について考察する。
我々は,コンピュータサイエンスの用語のデミスティフィケーションを目指して,定量的な社会科学の聴衆に手持ちの予測モデルの導入を行っている。
論文 参考訳（メタデータ） (2020-03-30T13:06:25Z) - Developing a Hybrid Data-Driven, Mechanistic Virtual Flow Meter -- a
Case Study [0.0]
本研究は、上記の2つの専門分野の技術を生かしたハイブリッド・モデリング手法について検討し、良好な生産チョークをモデル化する。
チョークは、第1原理方程式の単純化されたセットとニューラルネットワークで表現され、弁流係数を推定する。
論文 参考訳（メタデータ） (2020-02-07T12:35:33Z) - Model Reuse with Reduced Kernel Mean Embedding Specification [70.044322798187]
現在のアプリケーションで有用なモデルを見つけるための2段階のフレームワークを提案する。
アップロードフェーズでは、モデルがプールにアップロードされている場合、モデルの仕様としてカーネル平均埋め込み(RKME)を縮小する。
デプロイフェーズでは、RKME仕様の値に基づいて、現在のタスクと事前訓練されたモデルの関連性を測定する。
論文 参考訳（メタデータ） (2020-01-20T15:15:07Z)
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。