論文の概要: A physics-based domain adaptation framework for modelling and
forecasting building energy systems
- arxiv url: http://arxiv.org/abs/2208.09456v2
- Date: Tue, 2 May 2023 13:39:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-03 18:05:06.676893
- Title: A physics-based domain adaptation framework for modelling and
forecasting building energy systems
- Title（参考訳）: 物理に基づく建築エネルギーシステムのモデリングと予測のためのドメイン適応フレームワーク
- Authors: Zack Xuereb Conti, Ruchi Choudhary, Luca Magri
- Abstract要約: 最先端の機械学習ベースのモデルは、建物内のエネルギー挙動のモデリングと予測に一般的な選択肢である。
しかし、それらの構造は、物理現象の制御と結びついた物理的・機械的構造を持たない。
我々はラベル付きデータの代わりに、熱伝達常微分方程式によって支配されるLTIの幾何学構造を利用する新しいSDA手法を導入する。
- 参考スコア（独自算出の注目度）: 5.8010446129208155
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: State-of-the-art machine-learning-based models are a popular choice for
modeling and forecasting energy behavior in buildings because given enough
data, they are good at finding spatiotemporal patterns and structures even in
scenarios where the complexity prohibits analytical descriptions. However,
their architecture typically does not hold physical correspondence to
mechanistic structures linked with governing physical phenomena. As a result,
their ability to successfully generalize for unobserved timesteps depends on
the representativeness of the dynamics underlying the observed system in the
data, which is difficult to guarantee in real-world engineering problems such
as control and energy management in digital twins. In response, we present a
framework that combines lumped-parameter models in the form of linear
time-invariant (LTI) state-space models (SSMs) with unsupervised reduced-order
modeling in a subspace-based domain adaptation (SDA) framework. SDA is a type
of transfer-learning (TL) technique, typically adopted for exploiting labeled
data from one domain to predict in a different but related target domain for
which labeled data is limited. We introduce a novel SDA approach where instead
of labeled data, we leverage the geometric structure of the LTI SSM governed by
well-known heat transfer ordinary differential equations to forecast for
unobserved timesteps beyond observed measurement data. Fundamentally, our
approach geometrically aligns the physics-derived and data-derived embedded
subspaces closer together. In this initial exploration, we evaluate the
physics-based SDA framework on a demonstrative heat conduction scenario by
varying the thermophysical properties of the source and target systems to
demonstrate the transferability of mechanistic models from a physics-based
domain to a data domain.
- Abstract（参考訳）: 最先端の機械学習ベースのモデルは、十分なデータが得られると、複雑さが分析的な記述を禁止するシナリオでも時空間パターンや構造を見つけるのが得意であるため、建物のエネルギー行動のモデリングと予測に一般的な選択肢である。
しかし、それらのアーキテクチャは通常、物理現象の制御と結びついた機械構造と物理的対応を持たない。
結果として、観測されていない時間ステップをうまく一般化する能力は、データ内の観測されたシステムの基礎となるダイナミクスの表現に依存するため、デジタル双生児の制御やエネルギー管理といった現実世界のエンジニアリング問題において、保証が難しい。
本研究では,線形時間不変(LTI)状態空間モデル(SSM)とサブスペースベースドメイン適応(SDA)フレームワークにおける教師なし低次モデリングを併用するフレームワークを提案する。
SDAは、あるドメインからラベル付きデータを悪用し、ラベル付きデータが制限された異なるが関連するターゲットドメインで予測するために使用される、転送学習(TL)技法の一種である。
我々はラベル付きデータの代わりに、よく知られた熱伝達常微分方程式によって支配されるLTI SSMの幾何学構造を利用して観測データを超えた観測時間ステップを予測する新しいSDA手法を提案する。
基本的に,本手法は物理系とデータ系を組み込んだ組込み部分空間を近似する。
本研究は,物理ベース領域からデータ領域へのメカニスティックモデルの伝達性を示すため,熱伝導の実証的なシナリオにおける物理ベースSDAフレームワークの評価を行う。
関連論文リスト
- Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Form-Finding and Physical Property Predictions of Tensegrity Structures Using Deep Neural Networks [39.19016806159609]
本研究では, 緊張構造の幾何学的構成と物理特性を予測するために, ディープニューラルネットワーク (DNN) アプローチを開発した。
検証のために, 粘度Dバー, プリズム, ランダーを含む3つの張力構造を解析した。
論文 参考訳（メタデータ） (2024-06-15T16:39:53Z) - Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。
運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。
結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
論文 参考訳（メタデータ） (2024-02-28T02:16:03Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Neural Modal ODEs: Integrating Physics-based Modeling with Neural ODEs
for Modeling High Dimensional Monitored Structures [9.065343126886093]
本稿では、物理に基づくモデリングとディープラーニングを統合するためのフレームワーク、Neural Modal ODEを提案する。
オートエンコーダは、観測データの最初の数項目から潜伏変数の初期値までの抽象的なマッピングを学習する。
提案モデルの復号器は, 線形化部分に適用された固有解析から導出した固有モードを物理モデルに適用する。
論文 参考訳（メタデータ） (2022-07-16T09:30:20Z) - Surrogate Modeling for Physical Systems with Preserved Properties and
Adjustable Tradeoffs [0.0]
代理モデルを生成するためのモデルベースおよびデータ駆動型戦略を提案する。
後者は、前提となる位相構造に人工的関係を組み込むことで解釈可能な代理モデルを生成する。
我々のフレームワークは、分散パラメータモデルのための様々な空間離散化スキームと互換性がある。
論文 参考訳（メタデータ） (2022-02-02T17:07:02Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳（メタデータ） (2021-11-02T10:51:42Z) - Physics-guided Deep Markov Models for Learning Nonlinear Dynamical
Systems with Uncertainty [6.151348127802708]
我々は物理誘導型Deep Markov Model(PgDMM)という物理誘導型フレームワークを提案する。
提案手法は,動的システムの駆動物理を維持しながら,ディープラーニングの表現力を利用する。
論文 参考訳（メタデータ） (2021-10-16T16:35:12Z)
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。