論文の概要: Computationally Efficient Optimisation of Elbow-Type Draft Tube Using
Neural Network Surrogates
- arxiv url: http://arxiv.org/abs/2401.08700v1
- Date: Sun, 14 Jan 2024 14:05:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-18 18:26:18.980178
- Title: Computationally Efficient Optimisation of Elbow-Type Draft Tube Using
Neural Network Surrogates
- Title(参考訳): ニューラルネットワークサロゲートを用いた肘型ドラフトチューブの計算効率の最適化
- Authors: Ante Sikirica, Ivana Lu\v{c}in, Marta Alvir, Lado Kranj\v{c}evi\'c and
Zoran \v{C}arija
- Abstract要約: 本研究の目的は,肘型ドラフトチューブの設計において,単目的および多目的の最適化アルゴリズムを総合的に評価することである。
提案したワークフローは、数値シミュレーションから得られたデータに基づいて訓練されたディープニューラルネットワークサロゲートを利用する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study aims to provide a comprehensive assessment of single-objective and
multi-objective optimisation algorithms for the design of an elbow-type draft
tube, as well as to introduce a computationally efficient optimisation
workflow. The proposed workflow leverages deep neural network surrogates
trained on data obtained from numerical simulations. The use of surrogates
allows for a more flexible and faster evaluation of novel designs. The success
history-based adaptive differential evolution with linear reduction and the
multi-objective evolutionary algorithm based on decomposition were identified
as the best-performing algorithms and used to determine the influence of
different objectives in the single-objective optimisation and their combined
impact on the draft tube design in the multi-objective optimisation. The
results for the single-objective algorithm are consistent with those of the
multi-objective algorithm when the objectives are considered separately.
Multi-objective approach, however, should typically be chosen, especially for
computationally inexpensive surrogates. A multi-criteria decision analysis
method was used to obtain optimal multi-objective results, showing an
improvement of 1.5% and 17% for the pressure recovery factor and drag
coefficient, respectively. The difference between the predictions and the
numerical results is less than 0.5% for the pressure recovery factor and 3% for
the drag coefficient. As the demand for renewable energy continues to increase,
the relevance of data-driven optimisation workflows, as discussed in this
study, will become increasingly important, especially in the context of global
sustainability efforts.
- Abstract(参考訳): 本研究の目的は,肘型ドラフトチューブの設計のための単一目的・多目的最適化アルゴリズムの総合評価と,計算効率のよい最適化ワークフローの導入である。
提案したワークフローは、数値シミュレーションから得られたデータに基づいて訓練されたディープニューラルネットワークサロゲートを利用する。
サーロゲートの使用により、新しいデザインをより柔軟かつ迅速に評価することができる。
線形還元による成功履歴に基づく適応微分進化と分解に基づく多目的進化アルゴリズムは, 最適アルゴリズムとして同定され, 単一目的最適化における異なる目的の影響と, 多目的最適化におけるドラフトチューブ設計への影響を判定するために用いられた。
単一目的アルゴリズムの結果は、目的が別々に考慮された場合の多目的アルゴリズムの結果と一致している。
しかし、特に計算コストの低いサロゲートに対して、多目的アプローチは一般的に選択されるべきである。
最適多目的結果を得るために, 圧力回復係数と抗力係数についてそれぞれ1.5%, 17%の改善を示した。
予測値と数値結果との差は, 圧力回復係数が0.5%未満, ドラッグ係数が3%以下である。
再生可能エネルギーの需要が増加を続ける中、特に世界的な持続可能性の取り組みにおいて、本研究で議論されているデータ駆動最適化ワークフローの関連性がますます重要になる。
関連論文リスト
- Evolutionary Multi-Objective Optimisation for Fairness-Aware Self Adjusting Memory Classifiers in Data Streams [2.8366371519410887]
本稿では,データストリーム分類に適用した機械学習アルゴリズムの公平性を高める新しい手法を提案する。
提案手法は、自己調整メモリK-Nearest-Neighbourアルゴリズムと進化的多目的最適化の長所を統合する。
提案手法は競争精度を維持し, 差別を著しく低減することを示す。
論文 参考訳(メタデータ) (2024-04-18T10:59:04Z) - DADO -- Low-Cost Query Strategies for Deep Active Design Optimization [1.6298921134113031]
我々は,多目的設計最適化問題における計算コストを削減するために,自己最適化のための2つの選択戦略を提案する。
我々は流体力学の領域から大規模データセットの戦略を評価し、モデルの性能を決定するために2つの新しい評価指標を導入する。
論文 参考訳(メタデータ) (2023-07-10T13:01:27Z) - Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process
Optimization [59.45414406974091]
我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。
NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。
その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
論文 参考訳(メタデータ) (2023-05-31T12:07:50Z) - Representation Learning with Multi-Step Inverse Kinematics: An Efficient
and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。
所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。
我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文 参考訳(メタデータ) (2023-04-12T14:51:47Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳(メタデータ) (2023-01-28T01:50:42Z) - Multi-objective hyperparameter optimization with performance uncertainty [62.997667081978825]
本稿では,機械学習アルゴリズムの評価における不確実性を考慮した多目的ハイパーパラメータ最適化の結果について述べる。
木構造型Parzen Estimator(TPE)のサンプリング戦略と、ガウス過程回帰(GPR)と異種雑音の訓練後に得られたメタモデルを組み合わせる。
3つの解析的テスト関数と3つのML問題の実験結果は、多目的TPEとGPRよりも改善したことを示している。
論文 参考訳(メタデータ) (2022-09-09T14:58:43Z) - Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。
学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。
提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
論文 参考訳(メタデータ) (2021-11-11T23:31:34Z) - Batched Data-Driven Evolutionary Multi-Objective Optimization Based on
Manifold Interpolation [6.560512252982714]
バッチ化されたデータ駆動型進化的多目的最適化を実現するためのフレームワークを提案する。
オフザシェルフ進化的多目的最適化アルゴリズムがプラグイン方式で適用できるのは、非常に一般的である。
提案するフレームワークは, より高速な収束と各種PF形状に対する強いレジリエンスを特徴とする。
論文 参考訳(メタデータ) (2021-09-12T23:54:26Z) - Transfer Learning Based Co-surrogate Assisted Evolutionary Bi-objective
Optimization for Objectives with Non-uniform Evaluation Times [9.139734850798124]
多目的進化アルゴリズムは、それぞれの目的関数を同じ時間内に評価できると仮定する。
高速な対象関数と低速な対象関数の間の機能的関係をモデル化するために、共代理が採用される。
高速な目的の探索プロセスから有用な知識を得るために、転送可能なインスタンス選択法を導入する。
論文 参考訳(メタデータ) (2021-08-30T16:10:15Z) - Solving Large-Scale Multi-Objective Optimization via Probabilistic
Prediction Model [10.916384208006157]
効率的なLSMOPアルゴリズムは、巨大な検索空間から局所最適解を逃れる能力を持つべきである。
人口の多様性を維持することは、探索効率を向上させる効果的な方法の1つである。
LSMOP に取り組むために,トレンド予測モデルと LT-PPM と呼ばれる生成フィルタ戦略に基づく確率的予測モデルを提案する。
論文 参考訳(メタデータ) (2021-07-16T09:43:35Z) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳(メタデータ) (2020-06-18T19:11:54Z)
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。