論文の概要: An Ensemble-Based Deep Framework for Estimating Thermo-Chemical State Variables from Flamelet Generated Manifolds

• arxiv url: http://arxiv.org/abs/2211.14098v1
• Date: Fri, 25 Nov 2022 13:30:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 15:16:57.271036
• Title: An Ensemble-Based Deep Framework for Estimating Thermo-Chemical State Variables from Flamelet Generated Manifolds
• Title（参考訳）: フレムレット生成マニフォールドから熱化学状態変数を推定するためのアンサンブルに基づくディープフレームワーク
• Authors: Amol Salunkhe and Georgios Georgalis and Abani Patra and Varun Chandola
• Abstract要約: これまでの研究では、深層アーキテクチャを用いて2つのステップを共同で学習し、ソースエネルギーを推定する精度が73%向上した。 本稿では,関心量の後部分布を近似するために,ディープアンサンブルを導入する。
• 参考スコア（独自算出の注目度）: 5.368509527675853
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complete computation of turbulent combustion flow involves two separate steps: mapping reaction kinetics to low-dimensional manifolds and looking-up this approximate manifold during CFD run-time to estimate the thermo-chemical state variables. In our previous work, we showed that using a deep architecture to learn the two steps jointly, instead of separately, is 73% more accurate at estimating the source energy, a key state variable, compared to benchmarks and can be integrated within a DNS turbulent combustion framework. In their natural form, such deep architectures do not allow for uncertainty quantification of the quantities of interest: the source energy and key species source terms. In this paper, we expand on such architectures, specifically ChemTab, by introducing deep ensembles to approximate the posterior distribution of the quantities of interest. We investigate two strategies of creating these ensemble models: one that keeps the flamelet origin information (Flamelets strategy) and one that ignores the origin and considers all the data independently (Points strategy). To train these models we used flamelet data generated by the GRI--Mech 3.0 methane mechanism, which consists of 53 chemical species and 325 reactions. Our results demonstrate that the Flamelets strategy is superior in terms of the absolute prediction error for the quantities of interest, but is reliant on the types of flamelets used to train the ensemble. The Points strategy is best at capturing the variability of the quantities of interest, independent of the flamelet types. We conclude that, overall, ChemTab Deep Ensembles allows for a more accurate representation of the source energy and key species source terms, compared to the model without these modifications.
• Abstract（参考訳）: 乱流燃焼の完全な計算には、反応の速度論を低次元多様体にマッピングし、CFD実行中にこの近似多様体を調べて熱化学状態変数を推定する2つのステップがある。 先行研究で我々は,2つのステップを個別に学習するために深層アーキテクチャを用いることで,ベンチマークと比較し,鍵状態変数である源エネルギーを73%高精度に推定できることを示し,dns乱流燃焼フレームワークに統合できることを示した。 自然の形では、そのような深層アーキテクチャは、源エネルギーと主要な種源用語である関心量の不確実性定量化を許さない。 本稿では,関心量の後方分布を近似する深層アンサンブルを導入することで,このようなアーキテクチャ,特にchemtabについて拡張する。 これらのアンサンブルモデルを作成するための2つの戦略について検討する。1つはフレイムレットの原点情報(フレイムレット戦略)を保持し、もう1つは原点を無視し、全てのデータを独立に考慮する(ポイント戦略)。 これらのモデルをトレーニングするために、53の化学種と325の反応からなるGRI-Mech 3.0メタン機構によって生成されたフレアレットデータを使用しました。 実験の結果, フラムレット戦略は, 関心量の絶対予測誤差の点で優れているが, アンサンブルの訓練に用いるフレームレットの種類に依存していることがわかった。 ポイントズ戦略は、フレイムレットタイプとは独立に、興味の量の変化を捉えるのに最適である。 全体として、ChemTab Deep Ensemblesは、これらの修正のないモデルと比較して、ソースエネルギーと主要な種源の項をより正確に表現することができると結論付けている。

関連論文リスト

• Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
  メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。 この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。 従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
  論文  参考訳（メタデータ） (2024-08-27T15:03:20Z)
• Generative Modeling on Manifolds Through Mixture of Riemannian Diffusion Processes [57.396578974401734]
  一般多様体上に生成拡散過程を構築するための原理的枠組みを導入する。 従来の拡散モデルの認知的アプローチに従う代わりに、橋梁プロセスの混合を用いて拡散過程を構築する。 混合過程を幾何学的に理解し,データ点への接する方向の重み付け平均としてドリフトを導出する。
  論文  参考訳（メタデータ） (2023-10-11T06:04:40Z)
• A Heat Diffusion Perspective on Geodesic Preserving Dimensionality Reduction [66.21060114843202]
  熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。 その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。 また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-30T13:58:50Z)
• Closed-loop Error Correction Learning Accelerates Experimental Discovery of Thermoelectric Materials [2.7663141853912228]
  我々は、誤り訂正学習(ECL)を用いて、過去のデータを組み込んで、実験的なフィードバックを用いて更新し、洗練することを目指している。 次に、この戦略を温度300degCで合成を優先する熱電材料の発見に適用する。 本研究は, クローズドループ実験法により, 3倍の最適化材料を見つけるために必要な実験量を削減できることを示唆する。
  論文  参考訳（メタデータ） (2023-02-26T18:37:19Z)
• Physics Informed Machine Learning for Chemistry Tabulation [5.368509527675853]
  動的に生成するThemochemical State Variablesを組み込むため,ChemTabベースの定式化と実装を構築した。 このディープニューラルネットワークアーキテクチャの実装における課題について議論し、その性能を実験的に実証する。
  論文  参考訳（メタデータ） (2022-11-06T04:24:38Z)
• Local manifold learning and its link to domain-based physics knowledge [53.15471241298841]
  多くの反応系では、熱化学状態空間は低次元多様体(LDM)に近く進化すると仮定される。 局所的データクラスタ(ローカルPCA)に適用されたPCAは,熱化学状態空間の固有パラメータ化を検出することができることを示す。
  論文  参考訳（メタデータ） (2022-07-01T09:06:25Z)
• ChemTab: A Physics Guided Chemistry Modeling Framework [5.368509527675853]
  進行変数とルックアップモデルの共同学習により,より正確な結果が得られることを示す。 我々は、共同学習タスク用にカスタマイズされたChemTabと呼ばれるディープニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-02-20T16:21:13Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Entropy Production and the Role of Correlations in Quantum Brownian Motion [77.34726150561087]
  量子ブラウン運動のカルデイラ・レゲットモデルにおいて、量子エントロピーの生成、異なる種類の相関、およびそれらの相互作用について研究する。
  論文  参考訳（メタデータ） (2021-08-05T13:11:05Z)

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。