論文の概要: Applications of Machine Learning to Optimizing Polyolefin Manufacturing

• arxiv url: http://arxiv.org/abs/2401.09753v1
• Date: Thu, 18 Jan 2024 06:57:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-19 17:46:16.431682
• Title: Applications of Machine Learning to Optimizing Polyolefin Manufacturing
• Title（参考訳）: ポリオレフィン製造最適化への機械学習の適用
• Authors: Niket Sharma and Y.A. Liu
• Abstract要約: この章は、化学およびポリオレフィン製造最適化における機械学習(ML)の活用に焦点を当てている。 ケミカルプロセスにおける最新のML応用に熱心である初心者と有能なプロフェッショナルの両方のために作られています。
• 参考スコア（独自算出の注目度）: 0.9926212277119676
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This chapter is a preprint from our book by , focusing on leveraging machine learning (ML) in chemical and polyolefin manufacturing optimization. It's crafted for both novices and seasoned professionals keen on the latest ML applications in chemical processes. We trace the evolution of AI and ML in chemical industries, delineate core ML components, and provide resources for ML beginners. A detailed discussion on various ML methods is presented, covering regression, classification, and unsupervised learning techniques, with performance metrics and examples. Ensemble methods, deep learning networks, including MLP, DNNs, RNNs, CNNs, and transformers, are explored for their growing role in chemical applications. Practical workshops guide readers through predictive modeling using advanced ML algorithms. The chapter culminates with insights into science-guided ML, advocating for a hybrid approach that enhances model accuracy. The extensive bibliography offers resources for further research and practical implementation. This chapter aims to be a thorough primer on ML's practical application in chemical engineering, particularly for polyolefin production, and sets the stage for continued learning in subsequent chapters. Please cite the original work [169,170] when referencing.
• Abstract（参考訳）: この章は、化学およびポリオレフィン製造最適化における機械学習(ML)の活用に焦点を当てた、私たちの本からのプレプリントです。 化学プロセスにおける最新のml応用に熱中する初心者と経験豊富なプロフェッショナルの両方のために作られています。 化学産業におけるAIとMLの進化を辿り、コアMLコンポーネントを規定し、ML初心者のためのリソースを提供する。 各種ML手法について詳細な議論を行い, 回帰, 分類, 教師なし学習技術, 性能指標, 実例について述べる。 MLP, DNN, RNN, CNN, 変圧器などのエンサンブル手法, 深層学習ネットワークについて, 化学応用における役割の高まりについて検討した。 実践ワークショップは、高度なmlアルゴリズムを用いた予測モデリングを通じて読者を導く。 この章は、モデル精度を高めるハイブリッドアプローチを提唱する科学指導型MLに関する洞察で締めくくられる。 広範な文献学は、さらなる研究と実践のための資源を提供する。 この章は、MLの化学工学、特にポリオレフィン製造における実践的応用の徹底的なプライマーを目指しており、その後の章で引き続き学ぶためのステージを設定している。 参考までに原本[169,170]を引用してください。

関連論文リスト

• Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
  本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。 我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。 シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
  論文  参考訳（メタデータ） (2024-08-22T07:33:11Z)
• LLAVADI: What Matters For Multimodal Large Language Models Distillation [77.73964744238519]
  本研究では,新しい効率的なモデル構造を提案するのではなく,スクラッチから小規模MLLMを訓練する。 本研究は, 知識蒸留プロセスにおける学習戦略, モデル選択, 蒸留アルゴリズムに関するものである。 異なるベンチマークと適切な戦略を評価することで、2.7Bの小型モデルでも7Bまたは13Bのパラメータを持つ大型モデルと同等に動作することができる。
  論文  参考訳（メタデータ） (2024-07-28T06:10:47Z)
• Towards Optimal Learning of Language Models [124.65669486710992]
  言語モデル(LM)の最適学習の理論を提案する。 我々は、最適学習過程における力学の性質を明らかにするために、学習法則という定理を導出した。 我々は、LMの最適学習が、LMのスケーリング法則における係数の改善に起因することを実証的に検証した。
  論文  参考訳（メタデータ） (2024-02-27T18:52:19Z)
• Machine Learning Meets Advanced Robotic Manipulation [48.6221343014126]
  本論文は、最先端技術と、実世界の操作タスクに適用された機械学習手法の最近の動向についてレビューする。 論文の残りの部分は、産業、医療、農業、宇宙、軍事、捜索救助など、さまざまな分野におけるML応用に費やされている。
  論文  参考訳（メタデータ） (2023-09-22T01:06:32Z)
• Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
  自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。 本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
  論文  参考訳（メタデータ） (2023-04-28T10:27:38Z)
• MLOps Spanning Whole Machine Learning Life Cycle: A Survey [4.910132890978536]
  Google AlphaGosの勝利は、機械学習(ML)の研究と開発を大いに動機付け、加速させた。 本稿では,既存のML技術の現状を包括的調査により明らかにすることを目的としている。
  論文  参考訳（メタデータ） (2023-04-13T04:12:38Z)
• Machine Learning Operations (MLOps): Overview, Definition, and Architecture [0.0]
  機械学習オペレーション(MLOps)のパラダイムは、この問題に対処する。 MLOpsはいまだ曖昧な用語であり、研究者や専門家にとっての結果は曖昧である。 必要なコンポーネントや役割、関連するアーキテクチャや原則をまとめて紹介します。
  論文  参考訳（メタデータ） (2022-05-04T19:38:48Z)
• Machine Learning Force Fields [54.48599172620472]
  機械学習(ML)は、計算化学の多くの進歩を可能にした。 最も有望な応用の1つは、MLベースの力場(FF)の構築である。 本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
  論文  参考訳（メタデータ） (2020-10-14T13:14:14Z)
• Machine Learning Pipelines: Provenance, Reproducibility and FAIR Data Principles [0.0]
  マシンラーニングパイプラインのエンドツーエンドをサポートするための、私たちの目標と最初のステップについて説明します。 ソースコードとデータセットの可用性を超えて、どの要因がML実験に影響を与えるかを検討する。 ML実験にFAIRデータプラクティスを適用する方法を提案する。
  論文  参考訳（メタデータ） (2020-06-22T10:17:34Z)
• Insights into Performance Fitness and Error Metrics for Machine Learning [1.827510863075184]
  機械学習(ML)は、高いレベルの認知を達成し、人間のような分析を行うための訓練機械の分野である。 本稿では、回帰アルゴリズムや分類アルゴリズムにおいて、最もよく使われている性能適合度と誤差の測定値について検討する。
  論文  参考訳（メタデータ） (2020-05-17T22:59:04Z)

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。