Fugu-MT 論文翻訳(概要): Reconstruction and analysis of negatively buoyant jets with interpretable machine learning

論文の概要: Reconstruction and analysis of negatively buoyant jets with interpretable machine learning

arxiv url: http://arxiv.org/abs/2211.05489v1
Date: Thu, 10 Nov 2022 11:14:45 GMT
ステータス: 処理完了
システム内更新日: 2022-11-11 14:46:08.166789
Title: Reconstruction and analysis of negatively buoyant jets with interpretable machine learning
Title（参考訳）: 解釈可能な機械学習による負噴流の再構成と解析
Authors: Marta Alvir, Luka Grb\v{c}i\'c, Ante Sikirica, Lado Kranj\v{c}evi\'c
Abstract要約: 脱塩などのプロセスから排水が排出される際には、負に傾斜した浮力ジェットが観測される。有害な影響を最小限に抑え、環境への影響を評価するためには、詳細な数値調査が必要である。機械学習モデルの応用が提案されている。
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: In this paper, negatively inclined buoyant jets, which appear during the discharge of wastewater from processes such as desalination, are observed. To minimize harmful effects and assess environmental impact, a detailed numerical investigation is necessary. The selection of appropriate geometry and working conditions for minimizing such effects often requires numerous experiments and numerical simulations. For this reason, the application of machine learning models is proposed. Several models including Support Vector Regression, Artificial Neural Networks, Random Forests, XGBoost, CatBoost and LightGBM were trained. The dataset was built with numerous OpenFOAM simulations, which were validated by experimental data from previous research. The best prediction was obtained by Artificial Neural Network with an average of R2 0.98 and RMSE 0.28. In order to understand the working of the machine learning model and the influence of all parameters on the geometrical characteristics of inclined buoyant jets, the SHAP feature interpretation method was used.
Abstract（参考訳）: 本研究では, 脱塩などのプロセスから排水が排出される際に発生する, 負傾斜した浮力噴流を観察した。有害な影響を最小限に抑え、環境影響を評価するためには、詳細な数値的調査が必要である。このような効果を最小化するための適切な幾何学と作業条件の選択は、しばしば多数の実験と数値シミュレーションを必要とする。そのため,機械学習モデルの適用が提案されている。 Support Vector Regression、Artificial Neural Networks、Random Forests、XGBoost、CatBoost、LightGBMなどのモデルがトレーニングされた。データセットには多数のopenfoamシミュレーションが組み込まれており、過去の研究からの実験データによって検証された。最高の予測は、平均 R2 0.98 と RMSE 0.28 の人工ニューラルネットワークによって得られた。傾斜浮力噴流の幾何学的特性に及ぼす機械学習モデルの動作と全てのパラメータの影響を理解するために,shap特徴解釈法を用いた。

関連論文リスト

Developing an Explainable Artificial Intelligent (XAI) Model for Predicting Pile Driving Vibrations in Bangkok's Subsoil [0.0]
本研究では,バンコク軟質土質土中における杭の振動を予測するための説明可能な人工知能(XAI)モデルを提案する。深層ニューラルネットワークは1018個の実世界の杭駆動のデータセットを用いて開発された。このモデルは0.276の平均絶対誤差(MAE)を達成し、従来の経験的手法よりも優れていた。
論文参考訳（メタデータ） (2024-09-08T10:13:35Z)
Visual Deformation Detection Using Soft Material Simulation for Pre-training of Condition Assessment Models [3.0477617036157136]
オープンソースのシミュレーションツールであるBlenderを使用して、機械学習(ML)モデルのための合成データセットを作成することを提案する。このプロセスでは、専門家情報を形状キーパラメータに翻訳して変形をシミュレートし、変形したオブジェクトと非変形したオブジェクトの両方のイメージを生成する。
論文参考訳（メタデータ） (2024-04-02T01:58:53Z)
Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文参考訳（メタデータ） (2023-06-03T06:19:20Z)
Robust Neural Posterior Estimation and Statistical Model Criticism [1.5749416770494706]
モデラーはシミュレータを真のデータ生成プロセスの理想主義的な表現として扱わなければならない。本研究では,シミュレーションモデルにおけるブラックボックスパラメータ推論を可能にするアルゴリズムのクラスであるNPEを再検討する。一方,NPEを経時的に用いた場合,不特定性の存在は信頼できない推論につながることが判明した。
論文参考訳（メタデータ） (2022-10-12T20:06:55Z)
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)
Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文参考訳（メタデータ） (2022-06-21T20:38:13Z)
Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文参考訳（メタデータ） (2021-11-03T03:50:48Z)
Artificial Intelligence Hybrid Deep Learning Model for Groundwater Level Prediction Using MLP-ADAM [0.0]
本稿では,多層パーセプトロンを用いて地下水位をシミュレーションする。この問題には適応モーメント推定アルゴリズムも用いられる。その結果,ディープラーニングアルゴリズムは高精度な予測が可能であることが示唆された。
論文参考訳（メタデータ） (2021-07-29T10:11:45Z)
Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文参考訳（メタデータ） (2021-06-05T01:31:51Z)
Cognitive simulation models for inertial confinement fusion: Combining simulation and experimental data [0.0]
研究者は、高性能な爆発を求めて設計空間を探索するためにコンピュータシミュレーションに大きく依存しています。より効果的な設計と調査のために、シミュレーションは過去の実験データからの入力を必要とする。本稿では,シミュレーションと実験データを共通の予測モデルに組み合わせた認知シミュレーション手法について述べる。
論文参考訳（メタデータ） (2021-03-19T02:00:14Z)
On the Sparsity of Neural Machine Translation Models [65.49762428553345]
性能向上のために冗長パラメータを再利用できるかどうかを検討する。実験と分析は異なるデータセットとNTTアーキテクチャで体系的に行われる。
論文参考訳（メタデータ） (2020-10-06T11:47:20Z)

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。