論文の概要: Advanced Transient Diagnostic with Ensemble Digital Twin Modeling

• arxiv url: http://arxiv.org/abs/2205.11469v1
• Date: Mon, 23 May 2022 17:13:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 20:11:43.021454
• Title: Advanced Transient Diagnostic with Ensemble Digital Twin Modeling
• Title（参考訳）: Ensemble Digital Twin Modelingによる一過性診断
• Authors: Edward Chen, Linyu Lin, Nam T. Dinh
• Abstract要約: 本稿では,予測結果を高めるために,特定のデジタル双対MLモデルにアンサンブルを組み込む。 Ensemble Diagnostic Digital-twin Modeling (EDDM)は、組み込まれた診断デジタル-ツインモデルから最も適切な予測を選択できるだけでなく、トレーニングに伴う一般化誤差を低減できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The use of machine learning (ML) model as digital-twins for reduced-order-modeling (ROM) in lieu of system codes has grown traction over the past few years. However, due to the complex and non-linear nature of nuclear reactor transients as well as the large range of tasks required, it is infeasible for a single ML model to generalize across all tasks. In this paper, we incorporate issue specific digital-twin ML models with ensembles to enhance the prediction outcome. The ensemble also utilizes an indirect probabilistic tracking method of surrogate state variables to produce accurate predictions of unobservable safety goals. The unique method named Ensemble Diagnostic Digital-twin Modeling (EDDM) can select not only the most appropriate predictions from the incorporated diagnostic digital-twin models but can also reduce generalization error associated with training as opposed to single models.
• Abstract（参考訳）: システムコードの代わりに低次モデリング(rom)のためのデジタルトウィンとして機械学習(ml)モデルを使用することは、ここ数年で勢いを増している。 しかし、原子炉過渡現象の複雑で非線形的な性質と必要なタスクが多岐にわたるため、単一のMLモデルが全てのタスクにわたって一般化することは不可能である。 本稿では,予測結果を高めるために,特定のデジタル双対MLモデルにアンサンブルを組み込む。 このアンサンブルはまた、状態変数の間接的確率的追跡法を使用して、観測不能な安全目標の正確な予測を生成する。 Ensemble Diagnostic Digital-twin Modeling (EDDM)と呼ばれるユニークな手法は、組み込まれた診断デジタルツインモデルから最も適切な予測を選択できるだけでなく、単一のモデルではなくトレーニングに関連する一般化誤差を低減できる。

関連論文リスト

• NonSysId: A nonlinear system identification package with improved model term selection for NARMAX models [2.6684288899870543]
  本稿では,非線形システム識別のためのオープンソースソフトウェアパッケージであるNonSysIdを紹介する。 このソフトウェアには、シミュレーション(フリーラン)の精度を優先する高度な項選択手法が組み込まれている。 NonSysIdは、構造的健康モニタリング、故障診断、バイオメディカル信号処理などのリアルタイムアプリケーションに特に適している。
  論文  参考訳（メタデータ） (2024-11-25T15:19:19Z)
• Estimating Epistemic and Aleatoric Uncertainty with a Single Model [5.871583927216653]
  我々は,ハイパー拡散モデル(HyperDM)の新しいアプローチを提案する。 HyperDMは、予測精度を、場合によってはマルチモデルアンサンブルに匹敵する。 我々は,X線CTと気象温度予測の2つの異なる実世界の課題に対して,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-02-05T19:39:52Z)
• Diffusion models for probabilistic programming [56.47577824219207]
  拡散モデル変分推論(DMVI)は確率型プログラミング言語(PPL)における自動近似推論手法である DMVIは実装が容易で、例えば正規化フローを用いた変分推論の欠点を伴わずに、PPLでヘイズルフリー推論が可能であり、基礎となるニューラルネットワークモデルに制約を課さない。
  論文  参考訳（メタデータ） (2023-11-01T12:17:05Z)
• Deep Generative Modeling on Limited Data with Regularization by Nontransferable Pre-trained Models [32.52492468276371]
  本稿では,限られたデータを用いた生成モデルの分散を低減するために,正規化深層生成モデル(Reg-DGM)を提案する。 Reg-DGMは、ある発散の重み付け和とエネルギー関数の期待を最適化するために、事前訓練されたモデルを使用する。 実験的に、様々な事前訓練された特徴抽出器とデータ依存エネルギー関数により、Reg-DGMはデータ制限のある強力なDGMの生成性能を一貫して改善する。
  論文  参考訳（メタデータ） (2022-08-30T10:28:50Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression [71.7560927415706]
  潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。 新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
  論文  参考訳（メタデータ） (2021-06-05T11:42:45Z)
• Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
  PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。 本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。 このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
  論文  参考訳（メタデータ） (2020-09-29T12:50:33Z)

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。