論文の概要: Leveraging Deep Learning and Digital Twins to Improve Energy Performance of Buildings

• arxiv url: http://arxiv.org/abs/2305.04498v1
• Date: Mon, 8 May 2023 06:48:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 15:26:33.666942
• Title: Leveraging Deep Learning and Digital Twins to Improve Energy Performance of Buildings
• Title（参考訳）: Deep LearningとDigital Twinsの活用による建物のエネルギー性能向上
• Authors: Zhongjun Ni, Chi Zhang, Magnus Karlsson and Shaofang Gong
• Abstract要約: この研究は、Deep Energy Twin(ディープエナジー・ツイン)という、ディープラーニングとデジタル双生児を統合して、エネルギー利用をよりよく理解するためのソリューションを提案している。 オントロジーは、建物内の異なるシステム間でデータフォーマットの一貫性を提供するパラメトリックデジタルツインを作成するために採用された。 ディープラーニング手法は、パターンを特定し、エネルギー最適化のための洞察を提供するために、データ分析を行うために使用された。
• 参考スコア（独自算出の注目度）: 6.50989058130006
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Digital transformation in buildings accumulates massive operational data, which calls for smart solutions to utilize these data to improve energy performance. This study has proposed a solution, namely Deep Energy Twin, for integrating deep learning and digital twins to better understand building energy use and identify the potential for improving energy efficiency. Ontology was adopted to create parametric digital twins to provide consistency of data format across different systems in a building. Based on created digital twins and collected data, deep learning methods were used for performing data analytics to identify patterns and provide insights for energy optimization. As a demonstration, a case study was conducted in a public historic building in Norrk\"oping, Sweden, to compare the performance of state-of-the-art deep learning architectures in building energy forecasting.
• Abstract（参考訳）: 建物のデジタルトランスフォーメーションは大量の運用データを蓄積し、エネルギーパフォーマンスを改善するためにこれらのデータを活用するためのスマートなソリューションを求める。 本研究では,深層学習とデジタル双生児の統合によるエネルギー利用の理解を深め,エネルギー効率向上の可能性を明らかにするためのソリューションである深層エネルギー双生児(deep energy twin)を提案する。 オントロジーは、建物内の異なるシステム間でデータフォーマットの一貫性を提供するパラメトリックデジタルツインを作成するために採用された。 生成したデジタルツインと収集データに基づいて、パターンを特定し、エネルギー最適化のための洞察を提供するデータ分析を行うディープラーニング手法が使用された。 実演として,建築エネルギー予測における最先端のディープラーニングアーキテクチャの性能を比較するため,スウェーデンのノルク=オピングにある公共歴史建造物で事例研究を行った。

関連論文リスト

• A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
  水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。 多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
  論文  参考訳（メタデータ） (2024-05-30T04:46:40Z)
• A Gap in Time: The Challenge of Processing Heterogeneous IoT Data in Digitalized Buildings [15.525789412274587]
  本研究は, ビル内およびビル間におけるIoTデータの多様性について検討した。 その結果、マルチモーダルデータ統合、ドメインインフォームドモデリング、自動データエンジニアリングパイプラインの必要性が強調された。
  論文  参考訳（メタデータ） (2024-05-23T07:45:48Z)
• Edge-based Parametric Digital Twins for Intelligent Building Indoor Climate Modeling [0.8460034567194062]
  構築された環境におけるデジタルトランスフォーメーションは、構築操作を最適化するデータ駆動モデルを開発するために膨大なデータを生成する。 本研究では, エッジコンピューティング, デジタルツイン, 深層学習を活用し, 建物内の気候の理解を深める統合ソリューションを提案する。
  論文  参考訳（メタデータ） (2024-03-07T08:45:31Z)
• Digital Twin for Grey Box modeling of Multistory residential building thermal dynamics [1.0987093127987972]
  北ヨーロッパでは、暖房エネルギーだけで全体のエネルギー消費の70%を占める。 本研究では,建築熱力学のグレーボックスモデリングを容易にするアーキテクチャを提案する。 このアーキテクチャは、デジタルツインプラットフォームを作成するケーススタディで検証されている。
  論文  参考訳（メタデータ） (2024-02-05T11:25:42Z)
• Digital Twin-Enhanced Deep Reinforcement Learning for Resource Management in Networks Slicing [46.65030115953947]
  本稿では,デジタルツインと強化学習エージェントからなるフレームワークを提案する。 具体的には、歴史的データとニューラルネットワークを用いて、実環境の状態変動則をシミュレートするデジタルツインモデルを構築することを提案する。 また、このフレームワークをオフラインで強化学習に拡張し、歴史的データのみに基づいたインテリジェントな意思決定にソリューションを利用できるようにします。
  論文  参考訳（メタデータ） (2023-11-28T15:25:14Z)
• Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
  ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。 ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。 新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
  論文  参考訳（メタデータ） (2023-08-27T03:55:28Z)
• Energy Efficiency of Training Neural Network Architectures: An Empirical Study [11.325530936177493]
  ディープラーニングモデルの評価は、伝統的に精度、F1スコア、関連する指標などの基準に焦点を当ててきた。 このようなモデルを訓練するために必要な計算は、大きな炭素フットプリントを必要とする。 本研究では, DLモデルアーキテクチャと環境影響との関係を, エネルギー消費の観点から検討した。
  論文  参考訳（メタデータ） (2023-02-02T09:20:54Z)
• Comparison Analysis of Traditional Machine Learning and Deep Learning Techniques for Data and Image Classification [62.997667081978825]
  本研究の目的は、コンピュータビジョン2次元オブジェクト分類タスクに使用される最も一般的な機械学習およびディープラーニング技術を分析し比較することである。 まず、視覚語モデルと深部畳み込みニューラルネットワーク(DCNN)の理論的背景を示す。 次に、Bag of Visual Wordsモデル、VGG16 CNN Architectureを実装します。
  論文  参考訳（メタデータ） (2022-04-11T11:34:43Z)
• Deep Reinforcement Learning Assisted Federated Learning Algorithm for Data Management of IIoT [82.33080550378068]
  産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。 IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。 本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
  論文  参考訳（メタデータ） (2022-02-03T07:12:36Z)
• Shared Prior Learning of Energy-Based Models for Image Reconstruction [69.72364451042922]
  本研究では,地中真理データを含まないトレーニングに特化して設計された画像再構成のための新しい学習ベースフレームワークを提案する。 基底真理データがない場合には、損失関数をパッチベースのワッサーシュタイン関数に変更する。 共用事前学習では、上記の最適制御問題と正規化器の共用学習パラメータを同時に最適化する。
  論文  参考訳（メタデータ） (2020-11-12T17:56:05Z)
• A robust modeling framework for energy analysis of data centers [0.0]
  データセンターはエネルギー集約型であり、電力需要が大きく成長している。 現在のモデルでは、データセンターに対して一貫した高次元エネルギー分析を提供していない。 本研究の目的は,政策立案者やデータセンタエネルギーアナリストに対して,データセンターエネルギーの利用状況と効率性に関する包括的理解を提供することである。
  論文  参考訳（メタデータ） (2020-06-11T21:05:20Z)

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。