論文の概要: Interactive Design-of-Experiments: Optimizing a Cooling System
- arxiv url: http://arxiv.org/abs/2408.12607v1
- Date: Thu, 8 Aug 2024 06:24:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-01 17:12:14.457920
- Title: Interactive Design-of-Experiments: Optimizing a Cooling System
- Title（参考訳）: インタラクティブな実験設計:冷却システムの最適化
- Authors: Rainer Splechtna, Majid Behravan, Mario Jelovic, Denis Gracanin, Helwig Hauser, Kresimir Matkovic,
- Abstract要約: 本稿では,ユーザがp-hダイアグラムを使って反復的かつガイド付き最適化プロセスを実行する,インタラクティブなビジュアル最適化手法を提案する。
ディープラーニング(DL)モデルは、システムのターゲット特性を考慮し、パラメータの見積もりを提供する。
数値シミュレーションはパラメータ集合のアンサンブルのシステム特性を計算するために用いられる。
- 参考スコア（独自算出の注目度）: 4.720450727622438
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The optimization of cooling systems is important in many cases, for example for cabin and battery cooling in electric cars. Such an optimization is governed by multiple, conflicting objectives and it is performed across a multi-dimensional parameter space. The extent of the parameter space, the complexity of the non-linear model of the system, as well as the time needed per simulation run and factors that are not modeled in the simulation necessitate an iterative, semi-automatic approach. We present an interactive visual optimization approach, where the user works with a p-h diagram to steer an iterative, guided optimization process. A deep learning (DL) model provides estimates for parameters, given a target characterization of the system, while numerical simulation is used to compute system characteristics for an ensemble of parameter sets. Since the DL model only serves as an approximation of the inverse of the cooling system and since target characteristics can be chosen according to different, competing objectives, an iterative optimization process is realized, developing multiple sets of intermediate solutions, which are visually related to each other. The standard p-h diagram, integrated interactively in this approach, is complemented by a dual, also interactive visual representation of additional expressive measures representing the system characteristics. We show how the known four-points semantic of the p-h diagram meaningfully transfers to the dual data representation. When evaluating this approach in the automotive domain, we found that our solution helped with the overall comprehension of the cooling system and that it lead to a faster convergence during optimization.
- Abstract（参考訳）: 冷却システムの最適化は、例えば電気自動車のキャビンやバッテリ冷却など、多くの場合において重要である。
このような最適化は複数の矛盾する目的によって制御され、多次元のパラメータ空間で実行される。
パラメータ空間の範囲、システムの非線形モデルの複雑さ、シミュレーションの実行に要する時間、シミュレーションでモデル化されていない要素は、反復的で半自動的なアプローチを必要とする。
本稿では,ユーザがp-hダイアグラムを使って反復的かつガイド付き最適化プロセスを実行する,インタラクティブなビジュアル最適化手法を提案する。
深層学習(DL)モデルでは,対象とするシステムの特性を推定し,パラメータ集合のアンサンブルのシステム特性を数値シミュレーションで計算する。
DLモデルは冷却システムの逆の近似としてのみ機能し、異なる競合する目的に応じて目標特性を選択することができるため、反復最適化プロセスが実現され、視覚的に関係のある複数の中間解が開発される。
標準的なp-h図は、このアプローチにインタラクティブに統合され、システム特性を表す追加の表現的尺度の二重かつインタラクティブな視覚表現によって補完される。
p-h図の既知の4点意味が、どのように二重データ表現に有意に伝達するかを示す。
自動車分野におけるこのアプローチの評価において,我々の解法は冷却システムの全体的な理解に役立ち,最適化時により高速な収束につながることがわかった。
関連論文リスト
- A parametric framework for kernel-based dynamic mode decomposition using deep learning [0.0]
提案されたフレームワークは、オフラインとオンラインの2つのステージで構成されている。
オンラインステージでは、これらのLANDOモデルを活用して、所望のタイミングで新しいデータを生成する。
高次元力学系に次元還元法を適用して, トレーニングの計算コストを低減させる。
論文 参考訳（メタデータ） (2024-09-25T11:13:50Z) - Analyzing and Enhancing the Backward-Pass Convergence of Unrolled
Optimization [50.38518771642365]
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。
この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。
本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。
Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文 参考訳（メタデータ） (2023-12-28T23:15:18Z) - Data-Driven Model Selections of Second-Order Particle Dynamics via
Integrating Gaussian Processes with Low-Dimensional Interacting Structures [0.9821874476902972]
我々は、一般の2階粒子モデルにおけるデータ駆動的な発見に焦点を当てる。
本稿では、2つの実世界の魚の動きデータセットのモデリングへの応用について述べる。
論文 参考訳（メタデータ） (2023-11-01T23:45:15Z) - Efficient Interpretable Nonlinear Modeling for Multiple Time Series [5.448070998907116]
本稿では,複数時系列に対する効率的な非線形モデリング手法を提案する。
異なる時系列変数間の非線形相互作用を含む。
実験結果から,提案アルゴリズムは相似的にVAR係数の支持値の同定を改善することが示された。
論文 参考訳（メタデータ） (2023-09-29T11:42:59Z) - A Pareto-optimal compositional energy-based model for sampling and
optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。
これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文 参考訳（メタデータ） (2022-10-19T19:04:45Z) - Visualization and Optimization Techniques for High Dimensional Parameter
Spaces [4.111899441919165]
本稿では,直接最適化手法と視覚分析研究を組み合わせた,ストレージシステムの最適化のための自動チューニングフレームワークを提案する。
本システムは,システムパフォーマンス研究者グループとの緊密なコラボレーションによって開発され,専門家インタビュー,比較ユーザスタディ,および2つのケーススタディによって最終効果が評価された。
論文 参考訳（メタデータ） (2022-04-28T23:01:15Z) - DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。
我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
論文 参考訳（メタデータ） (2021-01-15T00:13:33Z) - Non-intrusive surrogate modeling for parametrized time-dependent PDEs
using convolutional autoencoders [0.0]
パラメータ化時間依存PDEによる複雑系の予測モデリングのための機械学習に基づく非侵襲的代理モデリング手法を提案する。
我々は、畳み込みオートエンコーダをフィードフォワードニューラルネットワークと組み合わせて、問題のパラメトリック空間から解空間への低コストで正確なマッピングを確立する。
論文 参考訳（メタデータ） (2021-01-14T11:34:58Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳（メタデータ） (2020-10-01T18:14:11Z) - Efficient Learning of Generative Models via Finite-Difference Score
Matching [111.55998083406134]
有限差分で任意の順序方向微分を効率的に近似する汎用戦略を提案する。
我々の近似は関数評価にのみ関係しており、これは並列で実行でき、勾配計算は行わない。
論文 参考訳（メタデータ） (2020-07-07T10:05:01Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳（メタデータ） (2019-10-31T02:26:20Z)
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。