論文の概要: Multi-fidelity surrogate modeling for temperature field prediction using
deep convolution neural network
- arxiv url: http://arxiv.org/abs/2301.06674v1
- Date: Tue, 17 Jan 2023 03:13:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 15:06:06.390875
- Title: Multi-fidelity surrogate modeling for temperature field prediction using
deep convolution neural network
- Title（参考訳）: 深部畳み込みニューラルネットワークを用いた多要素代理モデルによる温度場予測
- Authors: Yunyang Zhang and Zhiqiang Gong and Weien Zhou and Xiaoyu Zhao and
Xiaohu Zheng and Wen Yao
- Abstract要約: 本稿では,温度場予測のための深層多面体モデル (DMFM) を提案する。
低忠実度データを活用することで、高忠実度データの少ないパフォーマンスを向上する。
物理駆動型深層多面体モデル(PD-DMFM)の自己教師付き学習法を提案する。
- 参考スコア（独自算出の注目度）: 8.98674326282801
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Temperature field prediction is of great importance in the thermal design of
systems engineering, and building the surrogate model is an effective way for
the task. Generally, large amounts of labeled data are required to guarantee a
good prediction performance of the surrogate model, especially the deep
learning model, which have more parameters and better representational ability.
However, labeled data, especially high-fidelity labeled data, are usually
expensive to obtain and sometimes even impossible. To solve this problem, this
paper proposes a pithy deep multi-fidelity model (DMFM) for temperature field
prediction, which takes advantage of low-fidelity data to boost the performance
with less high-fidelity data. First, a pre-train and fine-tune paradigm are
developed in DMFM to train the low-fidelity and high-fidelity data, which
significantly reduces the complexity of the deep surrogate model. Then, a
self-supervised learning method for training the physics-driven deep
multi-fidelity model (PD-DMFM) is proposed, which fully utilizes the physics
characteristics of the engineering systems and reduces the dependence on large
amounts of labeled low-fidelity data in the training process. Two diverse
temperature field prediction problems are constructed to validate the
effectiveness of DMFM and PD-DMFM, and the result shows that the proposed
method can greatly reduce the dependence of the model on high-fidelity data.
- Abstract（参考訳）: 温度場予測はシステム工学の熱設計において非常に重要であり,サロゲートモデルの構築はその作業に有効な方法である。
一般に、サロゲートモデルの優れた予測性能、特により多くのパラメータと表現能力を有するディープラーニングモデルを保証するためには、大量のラベル付きデータが必要である。
しかし、ラベル付きデータ、特に忠実度の高いラベル付きデータは通常、取得が高価であり、時には不可能である。
そこで本研究では,低忠実度データを利用した温度場予測のためのpithy deep multi-fidelity model (dmfm)を提案する。
第一に, DMFMにおいて, 低忠実度および高忠実度データをトレーニングするために, 事前学習と微調整のパラダイムが開発され, 深部代理モデルの複雑さを著しく低減する。
次に,工学系の物理特性を十分に活用し,学習過程における大量のラベル付き低忠実度データへの依存を低減する,物理駆動型深層多忠実度モデル(PD-DMFM)の自己教師付き学習手法を提案する。
DMFMとPD-DMFMの有効性を検証するために, 2つの異なる温度場予測問題を構築した。
関連論文リスト
- Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳（メタデータ） (2024-06-20T02:20:23Z) - Multi-fidelity Fourier Neural Operator for Fast Modeling of Large-Scale
Geological Carbon Storage [0.0]
本稿では,大規模炭素貯蔵問題の解決にFNO(Multi-fidelity Fourier Neural operator)を提案する。
我々はまず,GCS貯水池モデル上で110kの格子セルに離散化されたモデルの有効性を検証した。
マルチ忠実度モデルは、同じ量の高忠実度データを81%のコストでトレーニングした高忠実度モデルに匹敵する精度で予測できる。
論文 参考訳（メタデータ） (2023-08-17T17:44:59Z) - Training Deep Surrogate Models with Large Scale Online Learning [48.7576911714538]
ディープラーニングアルゴリズムは、PDEの高速解を得るための有効な代替手段として登場した。
モデルは通常、ソルバによって生成された合成データに基づいてトレーニングされ、ディスクに格納され、トレーニングのために読み返される。
ディープサロゲートモデルのためのオープンソースのオンライントレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-28T12:02:27Z) - A machine learning approach to the prediction of heat-transfer
coefficients in micro-channels [4.724825031148412]
2相熱伝達係数(HTC)の正確な予測は、コンパクト熱交換器の最適設計と運転の鍵となる。
マルチ出力ガウスプロセス回帰 (GPR) を用いて, マイクロチャネル内のHTCを, 質量流量, 熱流束, システム圧力, チャネル径, 長さの関数として推定する。
論文 参考訳（メタデータ） (2023-05-28T15:48:01Z) - Multi-fidelity prediction of fluid flow and temperature field based on
transfer learning using Fourier Neural Operator [10.104417481736833]
本研究では,フーリエニューラル演算子に基づく新しい多要素学習手法を提案する。
トランスファーラーニングパラダイムの下では、豊富な低忠実度データと限られた高忠実度データを使用する。
提案した多忠実度モデルの精度を検証するために,3つの典型的な流体および温度予測問題を選択する。
論文 参考訳（メタデータ） (2023-04-14T07:46:03Z) - Directed Acyclic Graph Factorization Machines for CTR Prediction via
Knowledge Distillation [65.62538699160085]
本稿では,既存の複雑な相互作用モデルから,知識蒸留によるCTR予測のための高次特徴相互作用を学習するための非巡回グラフファクトリゼーションマシン(KD-DAGFM)を提案する。
KD-DAGFMは、オンラインとオフラインの両方の実験において、最先端のFLOPの21.5%未満で最高の性能を達成する。
論文 参考訳（メタデータ） (2022-11-21T03:09:42Z) - Multi-fidelity surrogate modeling using long short-term memory networks [0.0]
パラメタライズされた時間依存問題に対する多要素代理モデリングの新しいデータ駆動フレームワークを提案する。
提案した多要素LSTMネットワークは, シングルフィデリティ回帰を著しく向上するだけでなく, フィードフォワードニューラルネットワークに基づくマルチフィデリティモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-08-05T12:05:02Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳（メタデータ） (2022-06-26T10:58:41Z) - Hybrid full-field thermal characterization of additive manufacturing
processes using physics-informed neural networks with data [5.653328302363391]
我々は,物理インフォームドニューラルネットワークを用いたAMプロセスのハイブリッドなデータ駆動熱モデリング手法を開発した。
赤外線カメラから測定された部分観測温度データと物理法則を組み合わせることで、全球温度履歴を予測する。
その結果,ハイブリッド熱モデルでは未知のパラメータを効果的に同定し,フルフィールド温度を正確に把握できることがわかった。
論文 参考訳（メタデータ） (2022-06-15T18:27:10Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z) - Quaternion Factorization Machines: A Lightweight Solution to Intricate
Feature Interaction Modelling [76.89779231460193]
factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。
本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
論文 参考訳（メタデータ） (2021-04-05T00:02:36Z)
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。