論文の概要: A physics-driven sensor placement optimization methodology for temperature field reconstruction

• arxiv url: http://arxiv.org/abs/2409.18423v1
• Date: Fri, 27 Sep 2024 03:26:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 06:21:38.182592
• Title: A physics-driven sensor placement optimization methodology for temperature field reconstruction
• Title（参考訳）: 物理駆動型温度場再構成のためのセンサ配置最適化手法
• Authors: Xu Liu, Wen Yao, Wei Peng, Zhuojia Fu, Zixue Xiang, Xiaoqian Chen,
• Abstract要約: 温度場再構成のための物理駆動型センサ配置最適化(PSPO)手法を提案する。 PSPO法はランダム選択法と均一選択法を大きく上回り、ほぼ一桁の精度で復元精度を向上させる。
• 参考スコア（独自算出の注目度）: 9.976807723785006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Perceiving the global field from sparse sensors has been a grand challenge in the monitoring, analysis, and design of physical systems. In this context, sensor placement optimization is a crucial issue. Most existing works require large and sufficient data to construct data-based criteria, which are intractable in data-free scenarios without numerical and experimental data. To this end, we propose a novel physics-driven sensor placement optimization (PSPO) method for temperature field reconstruction using a physics-based criterion to optimize sensor locations. In our methodological framework, we firstly derive the theoretical upper and lower bounds of the reconstruction error under noise scenarios by analyzing the optimal solution, proving that error bounds correlate with the condition number determined by sensor locations. Furthermore, the condition number, as the physics-based criterion, is used to optimize sensor locations by the genetic algorithm. Finally, the best sensors are validated by reconstruction models, including non-invasive end-to-end models, non-invasive reduced-order models, and physics-informed models. Experimental results, both on a numerical and an application case, demonstrate that the PSPO method significantly outperforms random and uniform selection methods, improving the reconstruction accuracy by nearly an order of magnitude. Moreover, the PSPO method can achieve comparable reconstruction accuracy to the existing data-driven placement optimization methods.
• Abstract（参考訳）: スパースセンサーからグローバルフィールドを認識することは、物理システムの監視、分析、設計において大きな課題となっている。 この文脈では、センサ配置最適化が重要な問題である。 既存の研究の多くは、数値データや実験データなしでデータのないシナリオで抽出可能なデータベースの基準を構築するのに、大きくて十分なデータを必要としている。 そこで本研究では,センサ位置を最適化するための物理基準を用いた温度場再構成のための,新しい物理駆動型センサ配置最適化手法を提案する。 提案手法では,まず,最適解を解析し,誤差境界がセンサ位置によって決定される条件数と相関していることを示すことにより,ノイズシナリオ下での復元誤差の理論的上下界を導出する。 さらに、物理に基づく基準である条件数を用いて、遺伝的アルゴリズムによりセンサ位置を最適化する。 最後に、最良のセンサは、非侵襲的なエンドツーエンドモデル、非侵襲的なリダクションオーダーモデル、物理インフォームドモデルなど、再構成モデルによって検証される。 実験の結果,PSPO法はランダム選択法と均一選択法を大きく上回り,ほぼ一桁の精度で再現精度を向上することを示した。 さらに,PSPO法は既存のデータ駆動配置最適化法に匹敵する再現性を達成できる。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [111.28605744661638]
  構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。 また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-08T22:33:14Z)
• Constrained optimization of sensor placement for nuclear digital twins [1.7247618645684337]
  センサ配置のための最適化フレームワークに制約を組み込んだデータ駆動手法を開発した。 低次元力学系に対する全ての実現可能な構成を網羅的に計算することで最適化されたセンサの有効性を実証する。
  論文  参考訳（メタデータ） (2023-06-23T17:47:06Z)
• Efficient Sensor Placement from Regression with Sparse Gaussian Processes in Continuous and Discrete Spaces [3.729242965449096]
  センサ配置問題は、相関現象を監視する際に発生する一般的な問題である。 本稿では,勾配降下法を用いて最適化可能な変分近似に基づくSP問題に対する新しい定式化を提案する。
  論文  参考訳（メタデータ） (2023-02-28T19:10:12Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Information Entropy Initialized Concrete Autoencoder for Optimal Sensor Placement and Reconstruction of Geophysical Fields [58.720142291102135]
  そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。 本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。 得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
  論文  参考訳（メタデータ） (2022-06-28T12:43:38Z)
• Heat Conduction Plate Layout Optimization using Physics-driven Convolutional Neural Networks [14.198900757461555]
  熱伝導のレイアウト最適化は、特に感受性のある熱製品の設計において不可欠である。 データ駆動型アプローチは、所定の外部負荷と様々な幾何学の間のマッピングとして代理モデルを訓練するために使用される。 本稿では,物理駆動型畳み込みニューラルネットワーク(PD-CNN)手法を提案する。
  論文  参考訳（メタデータ） (2022-01-21T10:43:57Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)
• An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
  トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。 設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
  論文  参考訳（メタデータ） (2020-12-11T14:33:27Z)

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。