論文の概要: Physics-based Digital Twins for Autonomous Thermal Food Processing: Efficient, Non-intrusive Reduced-order Modeling

• arxiv url: http://arxiv.org/abs/2209.03062v1
• Date: Wed, 7 Sep 2022 10:58:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-08 13:11:07.698774
• Title: Physics-based Digital Twins for Autonomous Thermal Food Processing: Efficient, Non-intrusive Reduced-order Modeling
• Title（参考訳）: 自律的熱食品加工のための物理ベースのデジタル双生児:効率良く非インタラクティブな低次モデリング
• Authors: Maximilian Kannapinn, Minh Khang Pham, and Michael Sch\"afer
• Abstract要約: 本稿では,自律食品処理のための物理に基づくデータ駆動型Digital Twinフレームワークを提案する。 ROM試験におけるトレーニングデータの表面温度の標準偏差と低根平均二乗誤差との相関は、トレーニングデータの効率的な選択を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: One possible way of making thermal processing controllable is to gather real-time information on the product's current state. Often, sensory equipment cannot capture all relevant information easily or at all. Digital Twins close this gap with virtual probes in real-time simulations, synchronized with the process. This paper proposes a physics-based, data-driven Digital Twin framework for autonomous food processing. We suggest a lean Digital Twin concept that is executable at the device level, entailing minimal computational load, data storage, and sensor data requirements. This study focuses on a parsimonious experimental design for training non-intrusive reduced-order models (ROMs) of a thermal process. A correlation ($R=-0.76$) between a high standard deviation of the surface temperatures in the training data and a low root mean square error in ROM testing enables efficient selection of training data. The mean test root mean square error of the best ROM is less than 1 Kelvin (0.2 % mean average percentage error) on representative test sets. Simulation speed-ups of Sp $\approx$ 1.8E4 allow on-device model predictive control. The proposed Digital Twin framework is designed to be applicable within the industry. Typically, non-intrusive reduced-order modeling is required as soon as the modeling of the process is performed in software, where root-level access to the solver is not provided, such as commercial simulation software. The data-driven training of the reduced-order model is achieved with only one data set, as correlations are utilized to predict the training success a priori.
• Abstract（参考訳）: 熱処理を制御可能にする方法の1つは、製品の現在の状態に関するリアルタイム情報を集めることである。 しばしば、感覚装置は、すべての関連情報を容易に、あるいは全く取得できない。 デジタル双子は、プロセスと同期したリアルタイムシミュレーションで仮想プローブでこのギャップを閉じる。 本稿では,自律食品処理のための物理に基づくデータ駆動型Digital Twinフレームワークを提案する。 我々は,最小限の計算負荷,データストレージ,センサデータ要求を伴って,デバイスレベルで実行可能なリーンDigital Twinの概念を提案する。 本研究は, 熱過程の非侵襲的還元次モデル (ROM) を訓練するための擬似実験設計に焦点をあてる。 rom試験における表面温度の高標準偏差と低根平均二乗誤差との相関(r=-0.76$)は、トレーニングデータの効率的な選択を可能にする。 ベストromの平均試験根根平均二乗誤差は、代表試験セットにおいて1ケルビン(0.2%平均パーセンテージ誤差)未満である。 sp $\approx$ 1.8e4のシミュレーションスピードアップは、オンデバイスモデル予測制御を可能にする。 提案されているDigital Twinフレームワークは、業界内で適用できるように設計されている。 一般的には、商用シミュレーションソフトウェアのような解法へのルートレベルアクセスが提供されないソフトウェアでプロセスのモデリングが実行されるとすぐに、非インタラクティブな低次モデリングが必要となる。 相関を利用して事前のトレーニング成功を予測することにより、還元順序モデルのデータ駆動トレーニングを1つのデータセットで達成する。

関連論文リスト

• TwinLab: a framework for data-efficient training of non-intrusive reduced-order models for digital twins [0.7863035464831994]
  本研究では,2つのデータセットしか持たないニューラル-ODE型リダクションオーダモデルの,効率的かつ高精度なトレーニングフレームワークであるTwinLabを提案する。 トレーニングに最適なデータセットをひとつ見つけた後、類似性とエラー対策の助けを借りて第2のデータセットを求め、トレーニングプロセスを効果的に強化する。 発見: トレーニングプロセスに適切な第2のトレーニングデータセットを追加すると、テストエラーが最大49%削減される。
  論文  参考訳（メタデータ） (2024-07-04T13:37:13Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• Addressing the speed-accuracy simulation trade-off for adaptive spiking neurons [0.0]
  本稿では,適応統合火災モデル(ALIF)をアルゴリズム的に再解釈する。 合成ベンチマークで小さなDTを用いて50ドル以上のトレーニングスピードアップを得る。 また、我々のモデルが皮質ニューロンの電気生理学的記録を迅速かつ正確に適合させる方法についても紹介する。
  論文  参考訳（メタデータ） (2023-11-19T18:21:45Z)
• Training Deep Surrogate Models with Large Scale Online Learning [48.7576911714538]
  ディープラーニングアルゴリズムは、PDEの高速解を得るための有効な代替手段として登場した。 モデルは通常、ソルバによって生成された合成データに基づいてトレーニングされ、ディスクに格納され、トレーニングのために読み返される。 ディープサロゲートモデルのためのオープンソースのオンライントレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-28T12:02:27Z)
• A machine learning approach to the prediction of heat-transfer coefficients in micro-channels [4.724825031148412]
  2相熱伝達係数(HTC)の正確な予測は、コンパクト熱交換器の最適設計と運転の鍵となる。 マルチ出力ガウスプロセス回帰 (GPR) を用いて, マイクロチャネル内のHTCを, 質量流量, 熱流束, システム圧力, チャネル径, 長さの関数として推定する。
  論文  参考訳（メタデータ） (2023-05-28T15:48:01Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Inference from Real-World Sparse Measurements [21.194357028394226]
  実世界の問題は、しばしば複雑で非構造的な測定セットが伴うが、これはセンサーが空間または時間に狭く配置されているときに起こる。 セットからセットまで様々な位置で測定セットを処理し、どこででも読み出しを抽出できるディープラーニングアーキテクチャは、方法論的に困難である。 本稿では,適用性と実用的堅牢性に着目したアテンションベースモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-20T13:42:20Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
  本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。 以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
  論文  参考訳（メタデータ） (2022-09-01T17:05:20Z)
• Surrogate-data-enriched Physics-Aware Neural Networks [0.0]
  そこで我々は,低次モデル (ROM) のような他の代用モデルから得られる,安価だが不正確なデータを用いて,物理認識モデルをどのように豊かにすることができるかを検討する。 概念実証として, 1次元波動方程式を考察し, ROMからの不正確なデータが組み込まれた場合, トレーニング精度が2桁に向上することを示す。
  論文  参考訳（メタデータ） (2021-12-10T12:39:07Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)

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。