論文の概要: Potential of Deep Operator Networks in Digital Twin-enabling Technology
for Nuclear System
- arxiv url: http://arxiv.org/abs/2308.07523v1
- Date: Tue, 15 Aug 2023 01:25:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-16 14:20:16.198342
- Title: Potential of Deep Operator Networks in Digital Twin-enabling Technology
for Nuclear System
- Title(参考訳): 原子力システム用ディジタル二重誘導技術におけるディープオペレータネットワークの可能性
- Authors: Kazuma Kobayashi, Syed Bahauddin Alam
- Abstract要約: 本研究では,Deep Operator Network (DeepONet) を,原子力工学におけるディジタルツイン (DT) システムのコンテキストにおけるロバスト・サロゲート・モデリング手法として紹介する。
DeepONetは、従来のMLメソッドよりも優れた予測精度を示している。
本研究は,重要な工学領域における代理モデリング技術の力を利用するための重要なステップである。
- 参考スコア(独自算出の注目度): 0.6043356028687779
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This research introduces the Deep Operator Network (DeepONet) as a robust
surrogate modeling method within the context of digital twin (DT) systems for
nuclear engineering. With the increasing importance of nuclear energy as a
carbon-neutral solution, adopting DT technology has become crucial to enhancing
operational efficiencies, safety, and predictive capabilities in nuclear
engineering applications. DeepONet exhibits remarkable prediction accuracy,
outperforming traditional ML methods. Through extensive benchmarking and
evaluation, this study showcases the scalability and computational efficiency
of DeepONet in solving a challenging particle transport problem. By taking
functions as input data and constructing the operator $G$ from training data,
DeepONet can handle diverse and complex scenarios effectively. However, the
application of DeepONet also reveals challenges related to optimal sensor
placement and model evaluation, critical aspects of real-world implementation.
Addressing these challenges will further enhance the method's practicality and
reliability. Overall, DeepONet presents a promising and transformative tool for
nuclear engineering research and applications. Its accurate prediction and
computational efficiency capabilities can revolutionize DT systems, advancing
nuclear engineering research. This study marks an important step towards
harnessing the power of surrogate modeling techniques in critical engineering
domains.
- Abstract(参考訳): 本研究では,Deep Operator Network (DeepONet) を,原子力工学におけるディジタルツイン (DT) システムのコンテキストにおける堅牢な代理モデリング手法として紹介する。
炭素中性溶液としての核エネルギーの重要性が高まるにつれ、DT技術の採用は原子力工学応用における運用効率、安全性、予測能力の向上に欠かせないものとなっている。
DeepONetは、従来のMLメソッドよりも優れた予測精度を示している。
本研究では,DeepONetの大規模ベンチマークと評価を通じて,難解な粒子輸送問題の解法におけるスケーラビリティと計算効率を示す。
関数を入力データとして取り、トレーニングデータから演算子$G$を構築することで、DeepONetは多様な複雑なシナリオを効果的に処理できる。
しかし,DeepONetの応用は,センサ配置やモデル評価,実世界の実装における重要な側面に関わる課題も明らかにしている。
これらの課題に対処することで、メソッドの実用性と信頼性がさらに向上する。
deeponetは全体として、核工学の研究と応用に有望でトランスフォーメーションなツールを提供する。
その正確な予測と計算効率の能力はDTシステムに革命をもたらし、原子力工学の研究を前進させる。
本研究は、重要な工学領域におけるサロゲートモデリング技術のパワーを活用するための重要なステップである。
関連論文リスト
- AI-Based Energy Transportation Safety: Pipeline Radial Threat Estimation
Using Intelligent Sensing System [52.93806509364342]
本稿では,分散光ファイバーセンシング技術に基づくエネルギーパイプラインの放射状脅威推定手法を提案する。
本稿では,包括的信号特徴抽出のための連続的マルチビュー・マルチドメイン機能融合手法を提案する。
本研究では,事前学習モデルによる伝達学習の概念を取り入れ,認識精度と学習効率の両立を図る。
論文 参考訳(メタデータ) (2023-12-18T12:37:35Z) - Green Edge AI: A Contemporary Survey [49.47249665895926]
グリーンエッジAIに関する現代の調査を紹介する。
その可能性にもかかわらず、エッジAIは重大な課題に直面している。主な原因は、無線エッジネットワークのリソース制限と、ディープラーニング(DL)のリソース集約性との間の二分である。
我々は、エッジAIシステムにおける3つの重要なタスクに対して、トレーニングデータ取得、エッジトレーニング、エッジ推論を含むエネルギー効率の高い設計手法について検討する。
論文 参考訳(メタデータ) (2023-12-01T04:04:37Z) - 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) - Enabling Spatial Digital Twins: Technologies, Challenges, and Future
Research Directions [13.210510790794006]
デジタルツイン(Digital Twin, DT)は、物理オブジェクトやシステムの仮想レプリカであり、その動作と特性を監視し、分析し、最適化するために作成される。
空間デジタル双生児 (SDT) は、物理的実体の地理空間的側面を強調する特定のタイプのデジタル双生児である。
我々は,SDTを階層化して構築する際の空間技術について,初めて体系的に解析を行った。
論文 参考訳(メタデータ) (2023-06-11T06:28:44Z) - AI for IT Operations (AIOps) on Cloud Platforms: Reviews, Opportunities
and Challenges [60.56413461109281]
IT運用のための人工知能(AIOps)は、AIのパワーとIT運用プロセスが生成するビッグデータを組み合わせることを目的としている。
我々は、IT運用活動が発信する重要なデータの種類、分析における規模と課題、そしてどのように役立つかについて深く議論する。
主要なAIOpsタスクは、インシデント検出、障害予測、根本原因分析、自動アクションに分類します。
論文 参考訳(メタデータ) (2023-04-10T15:38:12Z) - Physics-Informed Multi-Stage Deep Learning Framework Development for
Digital Twin-Centred State-Based Reactor Power Prediction [0.34195949118264074]
本研究は, 原子炉・プラントにおける過渡的反応器の最終定常電力を決定するための多段階予測モデルを開発する。
4つの回帰モデルを開発し、第1段階モデルからの入力を用いて、原子炉出力を表す単一の値を予測する。
組み合わせモデルでは、第1段階の分類精度が96%、第2段階の絶対予測精度が92%となる。
論文 参考訳(メタデータ) (2022-11-23T17:32:52Z) - Uncertainty Quantification and Sensitivity analysis for Digital Twin
Enabling Technology: Application for BISON Fuel Performance Code [0.3969046654861533]
DTフレームワークは、高度なATFを格付けする複雑な問題に対して、ゲームを変えるが実用的な情報を提供することができる。
不確かさの定量化と感度分析は、多基準およびリスクインフォームド意思決定の観点から、DTフレームワークの成功に最重要である。
本章では、MLに基づく不確実性定量化および感度解析手法を紹介し、有限要素系核燃料性能コードBISONの実例を示す。
論文 参考訳(メタデータ) (2022-10-14T05:40:22Z) - Constrained Reinforcement Learning for Robotics via Scenario-Based
Programming [64.07167316957533]
DRLをベースとしたエージェントの性能を最適化し,その動作を保証することが重要である。
本稿では,ドメイン知識を制約付きDRLトレーニングループに組み込む新しい手法を提案する。
我々の実験は、専門家の知識を活用するために我々のアプローチを用いることで、エージェントの安全性と性能が劇的に向上することを示した。
論文 参考訳(メタデータ) (2022-06-20T07:19:38Z) - AI-based Modeling and Data-driven Evaluation for Smart Manufacturing
Processes [56.65379135797867]
本稿では,半導体製造プロセスに関する有用な知見を得るための動的アルゴリズムを提案する。
本稿では,遺伝的アルゴリズムとニューラルネットワークを利用して,知的特徴選択アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-08-29T14:57:53Z) - Convergence of Artificial Intelligence and High Performance Computing on
NSF-supported Cyberinfrastructure [3.4291439418246177]
人工知能(AI)アプリケーションは、産業や技術におけるビッグデータの課題に対して、トランスフォーメーションソリューションを推進している。
AIは、統計的および数学的厳密性を備えたコンピューティングパラダイムへと進化し続けており、トレーニング、検証、テストのためのシングルGPUソリューションがもはや不十分であることが明らかになっている。
この実現により、AIとハイパフォーマンスコンピューティングの融合が加速し、監視時間の短縮が図られている。
論文 参考訳(メタデータ) (2020-03-18T18:00:02Z)
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。