論文の概要: Spatially-resolved Thermometry from Line-of-Sight Emission Spectroscopy
via Machine Learning
- arxiv url: http://arxiv.org/abs/2212.07836v1
- Date: Thu, 15 Dec 2022 13:46:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 18:03:22.192289
- Title: Spatially-resolved Thermometry from Line-of-Sight Emission Spectroscopy
via Machine Learning
- Title（参考訳）: 機械学習による視線分光による空間分解熱測定
- Authors: Ruiyuan Kang, Dimitrios C. Kyritsis, Panos Liatsis
- Abstract要約: 本研究の目的は, 温度分布測定におけるデータ駆動モデルの利用について検討することである。
i)特徴工学と古典的機械学習アルゴリズム、(ii)エンドツーエンド畳み込みニューラルネットワーク(CNN)の2つのカテゴリが分析されている。
本手法は, ガス混合ガス中の種濃度分布が未知であっても, 低分解能スペクトルから不均一な温度分布を測定することができる。
- 参考スコア（独自算出の注目度）: 2.449329947677678
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A methodology is proposed, which addresses the caveat that line-of-sight
emission spectroscopy presents in that it cannot provide spatially resolved
temperature measurements in nonhomogeneous temperature fields. The aim of this
research is to explore the use of data-driven models in measuring temperature
distributions in a spatially resolved manner using emission spectroscopy data.
Two categories of data-driven methods are analyzed: (i) Feature engineering and
classical machine learning algorithms, and (ii) end-to-end convolutional neural
networks (CNN). In total, combinations of fifteen feature groups and fifteen
classical machine learning models, and eleven CNN models are considered and
their performances explored. The results indicate that the combination of
feature engineering and machine learning provides better performance than the
direct use of CNN. Notably, feature engineering which is comprised of
physics-guided transformation, signal representation-based feature extraction
and Principal Component Analysis is found to be the most effective. Moreover,
it is shown that when using the extracted features, the ensemble-based, light
blender learning model offers the best performance with RMSE, RE, RRMSE and R
values of 64.3, 0.017, 0.025 and 0.994, respectively. The proposed method,
based on feature engineering and the light blender model, is capable of
measuring nonuniform temperature distributions from low-resolution spectra,
even when the species concentration distribution in the gas mixtures is
unknown.
- Abstract（参考訳）: 非均一な温度場において空間分解温度測定を行うことができないという点で、光線放射分光法がもたらす注意事項に対処する手法が提案されている。
本研究の目的は, 放射分光データを用いた空間的温度分布測定におけるデータ駆動モデルの利用を検討することである。
データ駆動方式の2つのカテゴリを解析する。
(i)特徴工学及び古典的機械学習アルゴリズム、及び
(ii)エンドツーエンド畳み込みニューラルネットワーク(cnn)。
合計15の特徴群と15の古典的機械学習モデルと11のCNNモデルの組み合わせを検討し,その性能を検討した。
その結果,機能工学と機械学習を組み合わせることで,CNNの直接利用よりも優れた性能が得られることがわかった。
特に,物理誘導変換,信号表現に基づく特徴抽出,主成分分析からなる特徴工学が最も効果的であることが判明した。
さらに,抽出した特徴を用いた場合,光ブレンダー学習モデルは,それぞれ64.3,0.017,0.025,0.994のRMSE,RE,RTMSE,R値で最高の性能を示す。
提案手法は, ガス混合ガス中の種濃度分布が未知であっても, 低分解能スペクトルから不均一な温度分布を測定することができる。
関連論文リスト
- Evaluating probabilistic and data-driven inference models for fiber-coupled NV-diamond temperature sensors [0.7140163200313723]
連続波光磁気共鳴(ODMR)測定による温度推定における推定モデルが不確実性に与える影響について検討した。
このモデルでは、スピンハミルトンパラメータの温度依存性を利用して、ODMRデータのスペクトル特徴から温度を推定する。
論文 参考訳（メタデータ） (2024-09-14T17:23:20Z) - Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
反復Denoising Energy Matching (iDEM)
iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。
提案手法は,全測定値の最先端性能を達成し,2～5倍の速さでトレーニングを行う。
論文 参考訳（メタデータ） (2024-02-09T01:11:23Z) - Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。
提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
論文 参考訳（メタデータ） (2023-11-30T13:50:21Z) - Determination of droplet size from wide-angle light scattering image
data using convolutional neural networks [0.0]
我々は,畳み込みニューラルネットワーク(CNN)を用いた完全自動機械学習ベースのアプローチを導入し,ドロップレットサイズプロセスの合理化を図る。
燃焼器表面上におけるエタノール噴霧火炎過程のWALSデータについて検討する。
モデルは、約35,000 WALS画像からなる大規模なデータセット上でトレーニングされ、クロスバリデーションされる。
論文 参考訳（メタデータ） (2023-11-03T18:05:47Z) - Efficient Training of Energy-Based Models Using Jarzynski Equality [13.636994997309307]
エネルギーベースモデル(英: Energy-based model、EBM)は、統計物理学にインスパイアされた生成モデルである。
モデルパラメータに対する勾配の計算には、モデルの分布をサンプリングする必要がある。
ここでは、ジャジンスキーの等式に基づく非平衡熱力学の結果を用いて、この計算を効率的に行う方法を示す。
論文 参考訳（メタデータ） (2023-05-30T21:07:52Z) - 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) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳（メタデータ） (2023-02-10T08:05:19Z) - Developing a Machine Learning Algorithm-Based Classification Models for
the Detection of High-Energy Gamma Particles [0.0]
チェレンコフガンマ望遠鏡は高エネルギーガンマ線を観測し、ガンマが発する電磁シャワーの中で発生する荷電粒子から放射される放射を利用する。
パラメータ値の再構成は、CORSIKAと呼ばれるモンテカルロシミュレーションアルゴリズムを用いて達成された。
本研究では,複数の機械学習に基づく分類モデルを開発し,その性能評価を行った。
論文 参考訳（メタデータ） (2021-11-18T03:12:40Z) - 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) - Differentiable Programming for Hyperspectral Unmixing using a
Physics-based Dispersion Model [9.96234892716562]
本稿では、スペクトル変動を物理に基づくアプローチから考慮し、エンドツーエンドのスペクトルアンミックスアルゴリズムに組み込む。
畳み込みニューラルネットワークを用いた逆レンダリング技術を導入し、トレーニングデータが利用可能な場合のパフォーマンスと速度を向上させる。
結果は、赤外線と近赤外(VNIR)データセットの両方で最先端を達成する。
論文 参考訳（メタデータ） (2020-07-12T14:16:35Z)
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。