論文の概要: Application of Zone Method based Physics-Informed Neural Networks in
Reheating Furnaces
- arxiv url: http://arxiv.org/abs/2308.16089v2
- Date: Wed, 28 Feb 2024 19:26:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-01 18:39:04.832907
- Title: Application of Zone Method based Physics-Informed Neural Networks in
Reheating Furnaces
- Title（参考訳）: ゾーン法に基づく物理形ニューラルネットワークの加熱炉への適用
- Authors: Ujjal Kr Dutta, Aldo Lipani, Chuan Wang, Yukun Hu
- Abstract要約: ファウンデーション・インダストリーズ(FIs)はガラス、金属、セメント、セラミックス、バルク化学、紙、鋼などを構成する。
FIの製造チェーン内の再加熱炉はエネルギー集約的である。
再加熱炉の地下温度の正確なリアルタイム予測は、全体の加熱時間を短縮する可能性がある。
本稿では,新しいエネルギーベース正規化器を用いた物理知識を取り入れた物理インフォームドニューラルネットワーク(PINN)を提案する。
- 参考スコア（独自算出の注目度）: 25.031487600209346
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Foundation Industries (FIs) constitute glass, metals, cement, ceramics, bulk
chemicals, paper, steel, etc. and provide crucial, foundational materials for a
diverse set of economically relevant industries: automobiles, machinery,
construction, household appliances, chemicals, etc. Reheating furnaces within
the manufacturing chain of FIs are energy-intensive. Accurate and real-time
prediction of underlying temperatures in reheating furnaces has the potential
to reduce the overall heating time, thereby controlling the energy consumption
for achieving the Net-Zero goals in FIs. In this paper, we cast this prediction
as a regression task and explore neural networks due to their inherent
capability of being effective and efficient, given adequate data. However, due
to the infeasibility of achieving good-quality real data in scenarios like
reheating furnaces, classical Hottel's zone method based computational model
has been used to generate data for model training. To further enhance the
Out-Of-Distribution generalization capability of the trained model, we propose
a Physics-Informed Neural Network (PINN) by incorporating prior physical
knowledge using a set of novel Energy-Balance regularizers.
- Abstract（参考訳）: 基礎産業(fis)は、ガラス、金属、セメント、セラミックス、バルク化学、紙、鋼などで構成され、自動車、機械、建設、家電製品、化学製品など、様々な経済関連産業に重要な基礎材料を提供する。
FIの製造チェーン内の再加熱炉はエネルギー集約的である。
再加熱炉の根底温度の正確かつリアルタイムな予測は、全体の加熱時間を短縮し、fisにおける純ゼロ目標を達成するためのエネルギー消費を制御する可能性がある。
本稿では,この予測を回帰タスクとみなし,有効で効率的なニューラルネットワークを探索する。
しかし, 燃焼炉等における品質の高い実データの実現は不可能であるため, 古典的Hottelのゾーン法に基づく計算モデルは, モデルトレーニングのためのデータ生成に利用されてきた。
トレーニングされたモデルの外部分布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を用いた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。
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。