Fugu-MT 論文翻訳(概要): Machine learning methods for prediction of breakthrough curves in reactive porous media

論文の概要: Machine learning methods for prediction of breakthrough curves in reactive porous media

arxiv url: http://arxiv.org/abs/2301.04998v1
Date: Thu, 12 Jan 2023 13:25:13 GMT
ステータス: 処理完了
システム内更新日: 2023-01-13 15:33:27.855607
Title: Machine learning methods for prediction of breakthrough curves in reactive porous media
Title（参考訳）: 反応性多孔質媒体のブレークスルー曲線予測のための機械学習手法
Authors: Daria Fokina, Pavel Toktaliev, Oleg Iliev and Ivan Oseledets
Abstract要約: 機械学習とビッグデータのアプローチは、低コストでブレークスルー曲線を予測するのに役立つ。本稿では,触媒フィルタにおける細孔スケールの反応性流れについて,その性能を実証する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Reactive flows in porous media play an important role in our life and are crucial for many industrial, environmental and biomedical applications. Very often the concentration of the species at the inlet is known, and the so-called breakthrough curves, measured at the outlet, are the quantities which could be measured or computed numerically. The measurements and the simulations could be time-consuming and expensive, and machine learning and Big Data approaches can help to predict breakthrough curves at lower costs. Machine learning (ML) methods, such as Gaussian processes and fully-connected neural networks, and a tensor method, cross approximation, are well suited for predicting breakthrough curves. In this paper, we demonstrate their performance in the case of pore scale reactive flow in catalytic filters.
Abstract（参考訳）: 多孔質媒体の反応性の流れは、我々の生活において重要な役割を担い、多くの産業、環境、バイオメディカルな応用に不可欠である。入江における種の濃度がよく知られており、出口で測定されるいわゆるブレークスルー曲線は、数値的に測定または計算できる量である。計測とシミュレーションは時間と費用がかかり、機械学習とビッグデータのアプローチは、低コストでブレークスルー曲線を予測するのに役立つ。ガウス過程や完全連結ニューラルネットワークのような機械学習(ML)法や、クロス近似であるテンソル法は、ブレークスルー曲線を予測するのに適している。本稿では,触媒フィルタにおける気孔スケールの反応性流動において,その性能を示す。

関連論文リスト

Reconstructing Blood Flow in Data-Poor Regimes: A Vasculature Network Kernel for Gaussian Process Regression [2.9998889086656586]
非ユークリッド空間である血管ネットワーク内のカーネルを再構築する新しい手法を提案する。提案したカーネルは、時間的および血管間相関を符号化し、直接測定を欠いた血管における血流の再構築を可能にする。本研究は, 単純Y字型分岐術, 腹部大動脈, ウィリス円の3症例において, モデルの性能を実証するものである。
論文参考訳（メタデータ） (2024-03-14T15:41:15Z)
Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。生成フローネットワーク(GFlowNets)のための理論から着想を得た。
論文参考訳（メタデータ） (2023-10-04T09:39:05Z)
Computing large deviation prefactors of stochastic dynamical systems based on machine learning [4.474127100870242]
弱い雑音の極限における力学系の希少事象の指数推定を特徴付ける大きな偏差理論を提案する。我々は、ベクトル場の分解に基づいて、準ポテンシャル、最も確率の高い経路とプレファクタを計算するためのニューラルネットワークフレームワークを設計する。数値実験は、弱いランダム変動によって引き起こされる稀な事象の内部メカニズムを探索する上で、その強力な機能を示す。
論文参考訳（メタデータ） (2023-06-20T09:59:45Z)
On the Interplay of Subset Selection and Informed Graph Neural Networks [3.091456764812509]
この研究は、QM9データセットにおける分子の原子化エネルギーの予測に焦点を当てている。トレーニングセット選択過程における分子多様性の最大化は,線形回帰法および非線形回帰法のロバスト性を高めることを示す。また、モデルに依存しない説明器を用いて、グラフニューラルネットワークによる予測の信頼性を確認する。
論文参考訳（メタデータ） (2023-06-15T09:09:27Z)
Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
論文参考訳（メタデータ） (2022-06-27T13:46:51Z)
On the Performance of Machine Learning Methods for Breakthrough Curve Prediction [0.0]
多孔質媒質中の反応性流れに関連して、出口濃度の時間依存性を表すためにブレークスルー曲線という用語が用いられる。本研究では、与えられたパラメータ集合からブレークスルー曲線を予測するために、いくつかの機械学習手法を適用する。
論文参考訳（メタデータ） (2022-04-25T15:27:03Z)
Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文参考訳（メタデータ） (2021-04-11T09:50:24Z)
Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文参考訳（メタデータ） (2021-02-15T10:37:52Z)
Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文参考訳（メタデータ） (2020-10-20T08:36:51Z)
Gaussian Process Molecule Property Prediction with FlowMO [7.72630981555675]
FlowMOは、Gaussian Processesを使った分子特性予測のためのオープンソースのライブラリである。ユーザは、よく校正された不確実性推定、アクティブラーニングおよび分子設計アプリケーションの中心となる出力で予測を行うことができる。
論文参考訳（メタデータ） (2020-10-02T17:25:08Z)
Real-Time Regression with Dividing Local Gaussian Processes [62.01822866877782]
局所ガウス過程は、ガウス過程の回帰に基づく新しい、計算効率の良いモデリング手法である。入力空間の反復的データ駆動分割により、実際にはトレーニングポイントの総数において、サブ線形計算複雑性が達成される。実世界のデータセットに対する数値的な評価は、予測と更新の速度だけでなく、精度の点で他の最先端手法よりも有利であることを示している。
論文参考訳（メタデータ） (2020-06-16T18:43:31Z)

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。