論文の概要: Application of Zone Method based Machine Learning and Physics-Informed
Neural Networks in Reheating Furnaces
- arxiv url: http://arxiv.org/abs/2308.16089v1
- Date: Wed, 30 Aug 2023 15:26:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-31 12:52:01.397998
- Title: Application of Zone Method based Machine Learning and Physics-Informed
Neural Networks in Reheating Furnaces
- Title（参考訳）: ゾーン法に基づく機械学習と物理インフォームニューラルネットワークによる再加熱炉への適用
- Authors: Ujjal Kr Dutta, Aldo Lipani, Chuan Wang, Yukun Hu
- Abstract要約: 機械学習(ML)と人工知能(AI)による炉内制御システムは、持続可能な製造のためにファウンデーション・インダストリーズでネットゼロ目標を達成する上で有効である可能性がある。
本研究では, 従来のホットテルのゾーン法に基づく計算モデルを用いて, 回帰による機械学習とディープラーニング(DL)に基づくモデルトレーニングのデータを生成する。
我々の設定は汎用的なフレームワークであり、基礎炉の3次元構造の幾何学的非依存であり、標準のML回帰モデルに適合する可能性がある。
- 参考スコア（独自算出の注目度）: 25.031487600209346
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the high economic relevance of Foundation Industries, certain
components like Reheating furnaces within their manufacturing chain are
energy-intensive. Notable energy consumption reduction could be obtained by
reducing the overall heating time in furnaces. Computer-integrated Machine
Learning (ML) and Artificial Intelligence (AI) powered control systems in
furnaces could be enablers in achieving the Net-Zero goals in Foundation
Industries for sustainable manufacturing.
In this work, due to the infeasibility of achieving good quality data in
scenarios like reheating furnaces, classical Hottel's zone method based
computational model has been used to generate data for ML and Deep Learning
(DL) based model training via regression. It should be noted that the zone
method provides an elegant way to model the physical phenomenon of Radiative
Heat Transfer (RHT), the dominating heat transfer mechanism in high-temperature
processes inside heating furnaces. Using this data, an extensive comparison
among a wide range of state-of-the-art, representative ML and DL methods has
been made against their temperature prediction performances in varying furnace
environments. Owing to their holistic balance among inference times and model
performance, DL stands out among its counterparts. To further enhance the
Out-Of-Distribution (OOD) generalization capability of the trained DL models,
we propose a Physics-Informed Neural Network (PINN) by incorporating prior
physical knowledge using a set of novel Energy-Balance regularizers. Our setup
is a generic framework, is geometry-agnostic of the 3D structure of the
underlying furnace, and as such could accommodate any standard ML regression
model, to serve as a Digital Twin of the underlying physical processes, for
transitioning Foundation Industries towards Industry 4.0.
- Abstract（参考訳）: 基礎産業の経済性が高いにもかかわらず、製造チェーン内の炉の再加熱のような特定の部品はエネルギー集約的である。
炉内の全加熱時間を短縮することで, エネルギー消費の低減が図られた。
コンピュータ統合機械学習(ML)と人工知能(AI)による炉内制御システムは、持続可能な製造のためのファウンデーションインダストリーのネットゼロ目標を達成する上で有効である。
本研究は,再加熱炉などのシナリオにおいて良質なデータを得ることが不可能であることから,古典的ホットテル法に基づく計算モデルを用いて,回帰によるmlおよび深層学習(dl)モデルトレーニングのためのデータを生成する。
ゾーン法は加熱炉内高温プロセスにおける酸化熱伝達機構である放射熱伝達(RHT)の物理現象をモデル化するためのエレガントな方法を提供することに留意すべきである。
このデータを用いて, 様々な炉内環境における温度予測性能に対して, 最先端, 代表ml, dl法を広範囲に比較した。
推論時間とモデルパフォーマンスの全体的バランスのため、DLはそれとは対照的に際立っている。
訓練されたDLモデルのOF-Distribution(OOD)一般化能力をさらに強化するために,新しいエネルギーベース正規化器のセットを用いて,事前の物理知識を取り入れた物理情報ニューラルネットワーク(PINN)を提案する。
我々の構成は汎用的な枠組みであり、炉の3次元構造の幾何学的非依存であり、標準的なML回帰モデルに適合し、基礎となる物理プロセスのデジタルツインとして機能し、ファウンデーション・インダストリーを産業4.0に移行するためのものである。
関連論文リスト
- Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。
このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。
普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
論文 参考訳（メタデータ） (2024-11-11T09:01:36Z) - Investigation of Energy-efficient AI Model Architectures and Compression Techniques for "Green" Fetal Brain Segmentation [42.52549987351643]
医療画像における胎児脳のセグメンテーションは、胎児の脳の大きさが小さく、高速な2次元配列の画質が制限されているため困難である。
ディープニューラルネットワークはこの課題を克服するための有望な方法だ。
本研究の目的は,エネルギー効率を高めるモデルアーキテクチャと圧縮技術を検討することである。
論文 参考訳（メタデータ） (2024-04-03T15:11:53Z) - Evaluating the Energy Efficiency of Few-Shot Learning for Object
Detection in Industrial Settings [6.611985866622974]
本稿では、下流タスクに標準オブジェクト検出モデルを適用するための微調整手法を提案する。
開発モデルにおけるエネルギー需要のケーススタディと評価について述べる。
最後に、このトレードオフを、カスタマイズされた効率係数測定によって定量化する新しい方法を紹介する。
論文 参考訳（メタデータ） (2024-03-11T11:41:30Z) - Data-driven building energy efficiency prediction using physics-informed neural networks [2.572906392867547]
住宅のエネルギー性能を予測するための物理インフォームドニューラルネットワークモデルを提案する。
物理方程式に基づく関数は、熱損失に基づいて建物のエネルギー消費を計算し、深層学習モデルの損失関数を強化する。
この手法はラトビアのリガにある256の建物の実例調査で検証されている。
論文 参考訳（メタデータ） (2023-11-14T09:55:03Z) - 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) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-27T20:53:39Z) - Physics Informed Neural Networks for Control Oriented Thermal Modeling
of Buildings [3.1132272756008375]
本稿では,建物の制御指向熱モデル構築のためのデータ駆動型モデリング手法を提案する。
測定データと構築パラメータとともに、これらの建物の熱的挙動を管理する基礎となる物理でニューラルネットワークを符号化する。
論文 参考訳（メタデータ） (2021-11-23T18:27:54Z) - On Energy-Based Models with Overparametrized Shallow Neural Networks [44.74000986284978]
エネルギーベースモデル(EBM)は、ジェネレーションモデリングの強力なフレームワークです。
この研究では、浅いニューラルネットワークに焦点を当てます。
我々は、いわゆる「アクティブ」体制で訓練されたモデルが、関連する「怠慢」またはカーネル体制に対して統計的に有利であることを示す。
論文 参考訳（メタデータ） (2021-04-15T15:34:58Z) - A Framework for Energy and Carbon Footprint Analysis of Distributed and
Federated Edge Learning [48.63610479916003]
本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。
バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。
その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
論文 参考訳（メタデータ） (2021-03-18T16:04:42Z) - Thermodynamics-based Artificial Neural Networks for constitutive
modeling [0.0]
本稿では,物質点レベルでのひずみ速度独立過程のモデリングのための,データ駆動型物理ベースニューラルネットワークの新たなクラスを提案する。
熱力学の2つの基本原理は、自動微分を利用してネットワークのアーキテクチャに符号化される。
本研究では, 伸縮硬化および軟化ひずみを有するエラスト塑性材料をモデル化するためのTANNの広範囲な適用性を示す。
論文 参考訳（メタデータ） (2020-05-25T15:56:34Z) - NeurOpt: Neural network based optimization for building energy
management and climate control [58.06411999767069]
モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。
イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
論文 参考訳（メタデータ） (2020-01-22T00:51:03Z)
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。