論文の概要: Novel Physics-Based Machine-Learning Models for Indoor Air Quality
Approximations
- arxiv url: http://arxiv.org/abs/2308.01438v1
- Date: Wed, 2 Aug 2023 21:22:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-04 15:48:18.970478
- Title: Novel Physics-Based Machine-Learning Models for Indoor Air Quality
Approximations
- Title(参考訳): 室内空気品質近似のための新しい物理モデル
- Authors: Ahmad Mohammadshirazi, Aida Nadafian, Amin Karimi Monsefi, Mohammad H.
Rafiei, Rajiv Ramnath
- Abstract要約: 機械学習モデルは、空気品質の"ahead-of-time"近似を実行することができる。
本研究では,室内汚染物質濃度の正確な近似のための物理に基づく6つの新しいMLモデルを提案する。
提案したモデルは、類似の最先端トランスモデルよりも複雑で、計算効率が良く、正確であることが示されている。
- 参考スコア(独自算出の注目度): 0.5249805590164902
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cost-effective sensors are capable of real-time capturing a variety of air
quality-related modalities from different pollutant concentrations to
indoor/outdoor humidity and temperature. Machine learning (ML) models are
capable of performing air-quality "ahead-of-time" approximations. Undoubtedly,
accurate indoor air quality approximation significantly helps provide a healthy
indoor environment, optimize associated energy consumption, and offer human
comfort. However, it is crucial to design an ML architecture to capture the
domain knowledge, so-called problem physics. In this study, we propose six
novel physics-based ML models for accurate indoor pollutant concentration
approximations. The proposed models include an adroit combination of
state-space concepts in physics, Gated Recurrent Units, and Decomposition
techniques. The proposed models were illustrated using data collected from five
offices in a commercial building in California. The proposed models are shown
to be less complex, computationally more efficient, and more accurate than
similar state-of-the-art transformer-based models. The superiority of the
proposed models is due to their relatively light architecture (computational
efficiency) and, more importantly, their ability to capture the underlying
highly nonlinear patterns embedded in the often contaminated sensor-collected
indoor air quality temporal data.
- Abstract(参考訳): コスト効率のよいセンサーは、異なる汚染物質濃度から室内外湿度、温度まで、様々な空気品質関連モダリティをリアルタイムに捉えることができる。
機械学習(ML)モデルは、空気品質の"ahead-of-time"近似を実行することができる。
正確な室内空気質の近似は、健康な屋内環境を提供し、関連するエネルギー消費を最適化し、人間の快適性を提供する。
しかし、ドメイン知識、いわゆる問題物理学を捉えるためにMLアーキテクチャを設計することが不可欠である。
本研究では,室内汚染物質濃度近似のための6種類の物理モデルを提案する。
提案したモデルには、物理における状態空間の概念、Gated Recurrent Units、Decomposition(分解)技術の組み合わせが含まれる。
提案されたモデルは、カリフォルニア州の商業ビルの5つのオフィスから収集されたデータを使って図示された。
提案手法は, 従来の変圧器モデルよりも複雑で, 計算効率が高く, 精度も高かった。
提案モデルの優位性は、比較的軽量なアーキテクチャ(計算効率)と、より重要なのは、しばしば汚染されたセンサによる室内空気質の時間的データに埋め込まれた、基礎となる非線形パターンを捉える能力である。
関連論文リスト
- A comprehensive framework for multi-fidelity surrogate modeling with
noisy data: a gray-box perspective [0.0]
グレーボックスモデリングは、データ駆動(ブラックボックス)モデルとホワイトボックス(物理ベース)モデルからの情報を統合する問題に関係している。
我々はMFSM(Multi-fidelity surrogate model)を用いてこの課題を実行することを提案する。
MFSMは、様々な計算忠実度を持つモデルからの情報を新しい代理モデルに統合する。
論文 参考訳(メタデータ) (2024-01-12T08:37:41Z) - Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳(メタデータ) (2023-07-20T05:49:21Z) - Attention-based Modeling of Physical Systems: Improved Latent
Representations [1.4502611532302039]
本研究では,異なる位置における関連測定に基づいて,任意の空間点における量に対する注意に基づくモデリングを提案する。
提案手法では,コンバータエンコーダを用いて計測と読み出し位置の処理を行う。
我々のモデルは、グラフ要素ネットワークや条件付きニューラルプロセスのような最先端モデルよりも一貫して優れています。
論文 参考訳(メタデータ) (2022-10-20T13:42:20Z) - 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) - Physics-informed linear regression is a competitive approach compared to
Machine Learning methods in building MPC [0.8135412538980287]
総じて, ビルのベースラインコントローラと比較して, 暖房・冷却エネルギーの低減効果が良好であることが示唆された。
また, 物理インフォームドARMAXモデルは, 計算負担が低く, 機械学習モデルと比較して, サンプル効率が優れていることも確認した。
論文 参考訳(メタデータ) (2021-10-29T16:56:05Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - 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) - 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) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳(メタデータ) (2021-02-25T20:28:52Z) - Data Assimilation in the Latent Space of a Neural Network [7.555120710924906]
縮小次数モデリング技術は問題の次元性を低減するために用いられる。
我々は、データ同化と機械学習を組み合わせた潜在同化と呼ばれる新しい手法を定式化する。
この手法は、例えば、空気中のSARS-COV-2のようなウイルスの負荷をリアルタイムで予測するために、CO2濃度にリンクすることで使用できる。
論文 参考訳(メタデータ) (2020-12-22T14:43:50Z) - End-to-end deep metamodeling to calibrate and optimize energy loads [0.0]
本研究では,大規模建物のエネルギー性能と快適性,空気質,衛生性を最適化する新しいエンド・ツー・エンド手法を提案する。
シミュレーションプログラムでサンプル化したデータセットを用いてトランスフォーマーネットワークに基づくメタモデルを導入,訓練する。
論文 参考訳(メタデータ) (2020-06-19T07:40:11Z)
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。