Fugu-MT 論文翻訳(概要): Emission-Aware Optimization of Gas Networks: Input-Convex Neural Network Approach

論文の概要: Emission-Aware Optimization of Gas Networks: Input-Convex Neural Network Approach

arxiv url: http://arxiv.org/abs/2209.08645v1
Date: Sun, 18 Sep 2022 20:08:24 GMT
ステータス: 処理完了
システム内更新日: 2022-09-20 20:06:29.703568
Title: Emission-Aware Optimization of Gas Networks: Input-Convex Neural Network Approach
Title（参考訳）: ガスネットワークのエミッションアウェア最適化:入力凸ニューラルネットワークアプローチ
Authors: Vladimir Dvorkin, Samuel Chevalier, Spyros Chatzivasileiadis
Abstract要約: 排ガス制約下でのガスネットワークの最適化は、CO$強度が最も低いガス供給を優先する。 ICNNが支援する最適化は、ネットワーク計画のための実現可能なソリューションを提供する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Gas network planning optimization under emission constraints prioritizes gas supply with the least CO$_2$ intensity. As this problem includes complex physical laws of gas flow, standard optimization solvers cannot guarantee convergence to a feasible solution. To address this issue, we develop an input-convex neural network (ICNN) aided optimization routine which incorporates a set of trained ICNNs approximating the gas flow equations with high precision. Numerical tests on the Belgium gas network demonstrate that the ICNN-aided optimization dominates non-convex and relaxation-based solvers, with larger optimality gains pertaining to stricter emission targets. Moreover, whenever the non-convex solver fails, the ICNN-aided optimization provides a feasible solution to network planning.
Abstract（参考訳）: 排出制約下でのガスネットワーク計画最適化は、co$_2$の最小強度でガス供給を優先する。この問題はガスの流れの複雑な物理法則を含んでいるため、標準最適化解法では実現可能な解への収束を保証できない。この問題に対処するため,我々は,ガス流方程式を高精度に近似する訓練されたICNNを組み込んだ入力凸ニューラルネットワーク(ICNN)の最適化ルーチンを開発した。ベルギーのガスネットワークにおける数値実験により、icnnによる最適化が非凸および緩和ベースのソルバを支配しており、より厳密な排出目標に関する最適性の向上が示されている。さらに、非凸ソルバが故障するたびに、icnn支援最適化はネットワーク計画に実行可能な解決策を提供する。

関連論文リスト

Towards Arbitrary QUBO Optimization: Analysis of Classical and Quantum-Activated Feedforward Neural Networks [0.0]
二次非拘束バイナリ最適化(QUBO)は、ロジスティクス、サプライチェーン、金融、化学、IT、エネルギー部門など、多くの産業や学術分野の中心に位置する。これらの問題は通常、多数のバイナリ変数を最適化することを伴うため、正確な解を見つけることは指数関数的に困難である。この課題に対処するため、任意のQUBO問題に対して強力なフィードフォワードニューラルネットワーク(FNN)を開発した。
論文参考訳（メタデータ） (2024-10-16T14:55:16Z)
Enhancing GNNs Performance on Combinatorial Optimization by Recurrent Feature Update [0.09986418756990156]
本稿では,組合せ最適化(CO)問題を効率よく解くために,GNNのパワーを活用して,QRF-GNNと呼ぶ新しいアルゴリズムを提案する。 QUBO緩和による損失関数の最小化による教師なし学習に依存している。実験の結果、QRF-GNNは既存の学習ベースアプローチを大幅に上回り、最先端の手法に匹敵することがわかった。
論文参考訳（メタデータ） (2024-07-23T13:34:35Z)
DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-06-11T06:31:03Z)
Lower Bounds and Optimal Algorithms for Non-Smooth Convex Decentralized Optimization over Time-Varying Networks [57.24087627267086]
通信ネットワークのノード間で分散的に格納された凸関数の総和を最小化するタスクについて検討する。この問題を解決するのに必要な分散通信数と(サブ)漸進計算の下位境界が確立されている。我々は,これらの下界に適合する最初の最適アルゴリズムを開発し,既存の最先端技術と比較して理論性能を著しく向上させる。
論文参考訳（メタデータ） (2024-05-28T10:28:45Z)
Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
論文参考訳（メタデータ） (2022-10-17T17:30:09Z)
Ensuring DNN Solution Feasibility for Optimization Problems with Convex Constraints and Its Application to DC Optimal Power Flow Problems [25.791128241015684]
ソリューションの実現性を保証することは、予測エラーによる制約付き最適化問題の解決のためのディープニューラルネットワーク(DNN)スキームを開発する上で重要な課題である。逆不等式制約を伴わない凸や汎用関数の問題に対して, DNN ソリューションを保証するための予防学習フレームワークを提案する。我々は,グリッド動作における直流最適潮流問題の解法として,DeepOPF+を開発するためのフレームワークを適用した。
論文参考訳（メタデータ） (2021-12-15T13:05:59Z)
Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks [52.32646357164739]
最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。提案されたSIDNNは、幅広いOPFスキームと互換性がある。他のLearning-to-OPFスキームとシームレスに統合できる。
論文参考訳（メタデータ） (2021-03-27T00:45:23Z)
Data-Driven Random Access Optimization in Multi-Cell IoT Networks with NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文参考訳（メタデータ） (2021-01-02T15:21:08Z)
Neural Networks for Encoding Dynamic Security-Constrained Optimal Power Flow [0.0]
本稿では,それまでの難解な最適化制約を捕捉し,それらを混合整数線形プログラムに変換するフレームワークを提案する。我々は,N-1セキュリティと小信号安定性を考慮した電力系統運用へのアプローチを実証し,コスト最適解を効率的に得る方法を示した。
論文参考訳（メタデータ） (2020-03-17T21:01:17Z)
Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文参考訳（メタデータ） (2020-02-04T20:00:28Z)

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。