論文の概要: A Hybrid Approach of Transfer Learning and Physics-Informed Modeling:
Improving Dissolved Oxygen Concentration Prediction in an Industrial
Wastewater Treatment Plant
- arxiv url: http://arxiv.org/abs/2401.11217v1
- Date: Sat, 20 Jan 2024 11:53:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-23 17:33:03.618324
- Title: A Hybrid Approach of Transfer Learning and Physics-Informed Modeling:
Improving Dissolved Oxygen Concentration Prediction in an Industrial
Wastewater Treatment Plant
- Title(参考訳): 移行学習と物理インフォームドモデリングのハイブリッドアプローチ:産業排水処理プラントにおける溶存酸素濃度予測の改善
- Authors: Ece S. Koksal and Erdal Aydin
- Abstract要約: 目的は, 産業排水処理プラントの予測性能を, (i) プロセスの基盤となる物理を捉えたオープンソースのシミュレーションモデル, (ii) ノイズと限られたデータで特徴づけられるが, 同一の精製所にある別の産業プラント, (iii) の知識を伝達することによって向上することである。
その結果,テスト性能は27%,検証性能は59%に向上した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Constructing first principles models is a challenging task for nonlinear and
complex systems such as a wastewater treatment unit. In recent years,
data-driven models are widely used to overcome the complexity. However, they
often suffer from issues such as missing, low quality or noisy data. Transfer
learning is a solution for this issue where knowledge from another task is
transferred to target one to increase the prediction performance. In this work,
the objective is increasing the prediction performance of an industrial
wastewater treatment plant by transferring the knowledge of (i) an open-source
simulation model that captures the underlying physics of the process, albeit
with dissimilarities to the target plant, (ii) another industrial plant
characterized by noisy and limited data but located in the same refinery, and
(iii) the model in (ii) and making the objective function of the training
problem physics informed where the physics information derived from the
open-source model in (ii). The results have shown that test and validation
performance are improved up to 27% and 59%, respectively.
- Abstract(参考訳): 最初の原理モデルを構築することは、排水処理ユニットのような非線形で複雑なシステムにとって難しい課題である。
近年、データ駆動モデルは複雑さを克服するために広く使われている。
しかし、それらはしばしば、欠落、低品質、ノイズの多いデータといった問題に悩まされる。
伝達学習は、他のタスクからの知識を目標に転送し、予測性能を向上する、この問題に対する解決策である。
本研究の目的は, 産業排水処理プラントの知識の移転による予測性能の向上である。
(i)対象プラントとの類似性はあるものの、そのプロセスの基礎となる物理を捉えるオープンソースのシミュレーションモデル
二 騒々しく限られたデータで特徴づけられるが、同一の製油所にある別の工業工場
(iii)モデル
(ii)オープンソースのモデルから得られた物理情報を学習問題物理学の目的関数とすること
(ii)
その結果、テストと検証のパフォーマンスは、それぞれ27%と59%に向上した。
関連論文リスト
- On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳(メタデータ) (2024-10-21T18:31:04Z) - Physics-Informed Machine Learning for Grade Prediction in Froth Flotation [8.271361104403802]
本稿では, 凍結浮動小胞体における金濃度の集中度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開発した。
第一原理に基づくモデルの複雑さは直接の使用を制限するが、純粋にデータ駆動モデルは動的産業環境では失敗することが多い。
論文 参考訳(メタデータ) (2024-08-12T12:10:36Z) - Machine learning surrogates for efficient hydrologic modeling: Insights from stochastic simulations of managed aquifer recharge [0.0]
プロセスベース水理モデルと機械学習サロゲートモデルのためのハイブリッドモデリングワークフローを提案する。
ケーススタディでは, このワークフローを, 将来的な管理型帯水層帯水層における飽和地下水流のシミュレーションに応用する。
以上の結果から,MLサロゲートモデルでは,絶対誤差率10%以下で絶対誤差を達成でき,大域保存の順序付けが可能であることが示唆された。
論文 参考訳(メタデータ) (2024-07-30T15:24:27Z) - Rare Class Prediction Model for Smart Industry in Semiconductor Manufacturing [1.3955252961896323]
本研究では, 半導体製造プロセスから収集したIn situデータに対して, 希少なクラス予測手法を開発した。
第一の目的は、ノイズとクラス不均衡の問題に対処し、クラス分離を強化するモデルを構築することである。
ROC曲線はAUCが0.95、精度が0.66、リコールが0.96である。
論文 参考訳(メタデータ) (2024-06-06T22:09:43Z) - Low-rank finetuning for LLMs: A fairness perspective [54.13240282850982]
低ランク近似技術は、微調整された大規模言語モデルのデファクトスタンダードとなっている。
本稿では,これらの手法が初期訓練済みデータ分布から微調整データセットのシフトを捉える上での有効性について検討する。
低ランク微調整は好ましくない偏見や有害な振る舞いを必然的に保存することを示す。
論文 参考訳(メタデータ) (2024-05-28T20:43:53Z) - Diffusion-Based Neural Network Weights Generation [80.89706112736353]
D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。
本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。
我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
論文 参考訳(メタデータ) (2024-02-28T08:34:23Z) - Transfer learning for predicting source terms of principal component
transport in chemically reactive flow [0.40964539027092917]
本研究の目的は,様々な移動学習モデルを用いて,必要な学習サンプルの数を削減できるかどうかを評価することである。
次に、スパースデータセットを用いたANNモデルのトレーニングに、3つのトランスファー学習戦略を適用する。
ANNモデルのトレーニングが正規化項によって制限されている場合、スパースデータセットによる縮小順序モデルの性能は著しく向上する。
論文 参考訳(メタデータ) (2023-12-01T05:18:35Z) - Towards Efficient Task-Driven Model Reprogramming with Foundation Models [52.411508216448716]
ビジョンファウンデーションモデルは、非常に大きなモデルキャパシティと幅広いトレーニングデータから恩恵を受け、印象的なパワーを示す。
しかし、実際には、下流のシナリオは限られた計算資源や効率上の考慮のため、小さなモデルしかサポートできない。
これは、ファンデーションモデルの現実的な応用に重要な課題をもたらします。
論文 参考訳(メタデータ) (2023-04-05T07:28:33Z) - 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 machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳(メタデータ) (2022-06-21T20:38:13Z) - Complete CVDL Methodology for Investigating Hydrodynamic Instabilities [0.49873153106566565]
流体力学において、最も重要な研究分野の1つは流体力学の不安定性と異なる流れ状態におけるその進化である。
現在、そのような現象、すなわち分析モデル、実験、シミュレーションを理解するために3つの主要な手法が使用されている。
我々は、この研究の大部分が、Deep Learning(CVDL、Deep Computer-Vision)の分野における最近の画期的な進歩を用いて、分析されるべきであると主張している。
具体的には、最も代表的な不安定性であるRayleigh-Taylorの研究に焦点をあて、その振る舞いをシミュレートし、オープンソースの状態を作り出す。
論文 参考訳(メタデータ) (2020-04-03T13:52:04Z)
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。