論文の概要: A Machine Learning Pressure Emulator for Hydrogen Embrittlement
- arxiv url: http://arxiv.org/abs/2306.13116v1
- Date: Thu, 22 Jun 2023 13:42:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-26 14:46:16.074142
- Title: A Machine Learning Pressure Emulator for Hydrogen Embrittlement
- Title（参考訳）: 水素脆化のための機械学習圧力エミュレータ
- Authors: Minh Triet Chau and Jo\~ao Lucas de Sousa Almeida and Elie Alhajjar
and Alberto Costa Nogueira Junior
- Abstract要約: 水素脆化は、科学者やガスインスタレーションの設計者がプロセスの故障を避けるための主要な関心事である。
管内壁のガス圧を予測する物理インフォームド機械学習モデルを提案する。
- 参考スコア（独自算出の注目度）: 1.7205106391379026
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: A recent alternative for hydrogen transportation as a mixture with natural
gas is blending it into natural gas pipelines. However, hydrogen embrittlement
of material is a major concern for scientists and gas installation designers to
avoid process failures. In this paper, we propose a physics-informed machine
learning model to predict the gas pressure on the pipes' inner wall. Despite
its high-fidelity results, the current PDE-based simulators are time- and
computationally-demanding. Using simulation data, we train an ML model to
predict the pressure on the pipelines' inner walls, which is a first step for
pipeline system surveillance. We found that the physics-based method
outperformed the purely data-driven method and satisfy the physical constraints
of the gas flow system.
- Abstract（参考訳）: 天然ガスと混合した水素輸送の最近の代替手段は、天然ガスパイプラインに混入している。
しかし、水素の脆化は、科学者やガスインスタレーションの設計者がプロセスの故障を避ける上で大きな関心事である。
本稿では,管内壁のガス圧を予測する物理インフォームド機械学習モデルを提案する。
高忠実な結果にもかかわらず、現在のPDEベースのシミュレータは時間と計算に要求される。
シミュレーションデータを用いて,パイプライン内壁の圧力を予測するためのmlモデルをトレーニングする。
その結果, 物理法は純粋にデータ駆動法より優れ, ガス流系の物理的制約を満たすことがわかった。
関連論文リスト
- Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。
近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。
洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文 参考訳（メタデータ） (2023-07-29T22:49:50Z) - Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。
その結果、FNOはレイノルズ数の範囲で実験速度場の進化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） (2023-01-19T20:04:36Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - 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) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳（メタデータ） (2021-06-17T00:49:55Z) - A Gradient-based Deep Neural Network Model for Simulating Multiphase
Flow in Porous Media [1.5791732557395552]
多孔質媒体の多相流に関する物理に制約された勾配に基づくディープニューラルネットワーク(GDNN)について述べる。
GDNNが非線型応答の非線型パターンを効果的に予測できることを実証する。
論文 参考訳（メタデータ） (2021-04-30T02:14:00Z) - Interpretable Data-driven Methods for Subgrid-scale Closure in LES for
Transcritical LOX/GCH4 Combustion [0.0]
本研究の目的は、従来の物理駆動アプローチと解釈可能な機械学習アルゴリズムからストレスモデルを評価することである。
特徴集合に物理ベースの制約を適用すると,ランダムフォレスト回帰器の精度が低下した。
論文 参考訳（メタデータ） (2021-03-11T00:54:50Z) - Modeling nanoconfinement effects using active learning [1.58501955991843]
シェール層のナノ孔内におけるガス分子の空間的配置の予測は, 流体流動予測や炭化水素貯留量の推定に不可欠である。
本稿では,ナノ孔内の気体の分子配置を予測する物理に基づく深層学習サロゲートモデルの構築と訓練について述べる。
論文 参考訳（メタデータ） (2020-05-06T04:01:53Z) - AVATAR -- Machine Learning Pipeline Evaluation Using Surrogate Model [10.83607599315401]
本稿では,サロゲートモデル(AVATAR)を用いたMLパイプラインの有効性評価手法を提案する。
実験の結果, AVATARは, 従来の評価手法と比較して, 複雑なパイプラインの評価においてより効率的であることがわかった。
論文 参考訳（メタデータ） (2020-01-30T02:53:29Z)
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。