論文の概要: Combining Physics-based and Data-driven Modeling for Building Energy Systems
- arxiv url: http://arxiv.org/abs/2411.01055v1
- Date: Fri, 01 Nov 2024 21:56:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-05 14:49:19.693737
- Title: Combining Physics-based and Data-driven Modeling for Building Energy Systems
- Title（参考訳）: 物理モデルとデータ駆動モデリングを組み合わせた建築エネルギーシステム
- Authors: Leandro Von Krannichfeldt, Kristina Orehounig, Olga Fink,
- Abstract要約: 建築エネルギーモデリングは、建築エネルギーシステムの運用を最適化する上で重要な役割を担っている。
研究者たちは物理ベースのモデルとデータ駆動モデルとハイブリッドなアプローチを組み合わせている。
実世界のケーススタディを通じて、エネルギーモデリングにおける4つの主要なハイブリッドアプローチを評価した。
- 参考スコア（独自算出の注目度）: 5.437298646956505
- License:
- Abstract: Building energy modeling plays a vital role in optimizing the operation of building energy systems by providing accurate predictions of the building's real-world conditions. In this context, various techniques have been explored, ranging from traditional physics-based models to data-driven models. Recently, researchers are combining physics-based and data-driven models into hybrid approaches. This includes using the physics-based model output as additional data-driven input, learning the residual between physics-based model and real data, learning a surrogate of the physics-based model, or fine-tuning a surrogate model with real data. However, a comprehensive comparison of the inherent advantages of these hybrid approaches is still missing. The primary objective of this work is to evaluate four predominant hybrid approaches in building energy modeling through a real-world case study, with focus on indoor temperature dynamics. To achieve this, we devise three scenarios reflecting common levels of building documentation and sensor availability, assess their performance, and analyse their explainability using hierarchical Shapley values. The real-world study reveals three notable findings. First, greater building documentation and sensor availability lead to higher prediction accuracy for hybrid approaches. Second, the performance of hybrid approaches depend on the type of building room, but the residual approach using a Feedforward Neural Network as data-driven sub-model performs best on average across all rooms. This hybrid approach also demonstrates a superior ability to leverage the physics-based simulation from the physics-based sub-model. Third, hierarchical Shapley values prove to be an effective tool for explaining and improving hybrid models while accounting for input correlations.
- Abstract（参考訳）: 建築エネルギーモデリングは、建物の実環境の正確な予測を提供することによって、建築エネルギーシステムの運用を最適化する上で重要な役割を担っている。
この文脈では、従来の物理モデルからデータ駆動モデルまで、様々な手法が研究されている。
近年、物理学に基づくモデルとデータ駆動モデルを組み合わせたハイブリッドアプローチが研究されている。
これには、物理ベースのモデル出力を追加のデータ駆動入力として使用すること、物理ベースのモデルと実際のデータの間の残差を学習すること、物理ベースのモデルのサロゲートを学習すること、または実際のデータでサロゲートモデルを微調整することが含まれる。
しかし、これらのハイブリッドアプローチの固有の利点に関する包括的な比較はいまだに欠落している。
本研究の主な目的は,室内温度動態に着目した実世界のケーススタディを通じて,エネルギーモデル構築における4つの主要なハイブリッドアプローチを評価することである。
これを実現するために、ドキュメントとセンサの可用性の共通レベルを反映した3つのシナリオを考案し、それらのパフォーマンスを評価し、階層的なシェープリー値を用いてそれらの説明可能性を分析する。
実世界の研究では、3つの顕著な発見が明らかになった。
まず、より高度なビルドドキュメンテーションとセンサの可用性によって、ハイブリッドアプローチの予測精度が向上する。
第2に、ハイブリッドアプローチの性能はビルのタイプによって異なるが、データ駆動サブモデルとしてFeedforward Neural Networkを用いた残差アプローチは、全室平均で最高の性能を発揮する。
このハイブリッドアプローチはまた、物理ベースのサブモデルから物理ベースのシミュレーションを活用する優れた能力を示す。
第三に、階層シェープ値は、入力相関を考慮に入れながらハイブリッドモデルの説明と改善に有効なツールであることが証明されている。
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) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Fantastic Gains and Where to Find Them: On the Existence and Prospect of
General Knowledge Transfer between Any Pretrained Model [74.62272538148245]
事前訓練されたモデルの任意のペアリングに対して、一方のモデルは他方では利用できない重要なデータコンテキストを抽出する。
このような「補的」な知識を,性能劣化を伴わずに,あるモデルから別のモデルへ伝達できるかどうかを検討する。
論文 参考訳（メタデータ） (2023-10-26T17:59:46Z) - MATNet: Multi-Level Fusion Transformer-Based Model for Day-Ahead PV
Generation Forecasting [0.47518865271427785]
MATNetはPV発電予測のための新しい自己アテンショントランスフォーマーベースのアーキテクチャである。
これは、AIパラダイムとPV発電に関する以前の物理的知識を組み合わせたハイブリッドアプローチで構成されている。
その結果,提案アーキテクチャは現在の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2023-06-17T14:03:09Z) - MINN: Learning the dynamics of differential-algebraic equations and
application to battery modeling [3.900623554490941]
我々は、モデル統合ニューラルネットワーク(MINN)を生成するための新しいアーキテクチャを提案する。
MINNは、システムの物理に基づく力学の学習レベルとの統合を可能にする。
提案したニューラルネットワークアーキテクチャを用いてリチウムイオン電池の電気化学的ダイナミクスをモデル化する。
論文 参考訳（メタデータ） (2023-04-27T09:11:40Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - Combining physics-based and data-driven techniques for reliable hybrid
analysis and modeling using the corrective source term approach [0.0]
デジタル双生児、自律型、人工知能システムは正確で解釈可能で、計算効率が高く、一般化可能なモデルを必要とする。
物理に基づくモデリングとデータ駆動モデリングを組み合わせたハイブリッドアプローチが、両方のモデルを上回る結果をもたらすことを示す。
論文 参考訳（メタデータ） (2022-06-07T17:10:58Z) - KNODE-MPC: A Knowledge-based Data-driven Predictive Control Framework
for Aerial Robots [5.897728689802829]
我々は、知識に基づくニューラル常微分方程式(KNODE)というディープラーニングツールを用いて、第一原理から得られたモデルを拡張する。
得られたハイブリッドモデルは、名目上の第一原理モデルと、シミュレーションまたは実世界の実験データから学習したニューラルネットワークの両方を含む。
閉ループ性能を改善するため、ハイブリッドモデルはKNODE-MPCとして知られる新しいMPCフレームワークに統合される。
論文 参考訳（メタデータ） (2021-09-10T12:09:18Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳（メタデータ） (2021-07-07T11:17:09Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z) - Developing a Hybrid Data-Driven, Mechanistic Virtual Flow Meter -- a
Case Study [0.0]
本研究は、上記の2つの専門分野の技術を生かしたハイブリッド・モデリング手法について検討し、良好な生産チョークをモデル化する。
チョークは、第1原理方程式の単純化されたセットとニューラルネットワークで表現され、弁流係数を推定する。
論文 参考訳（メタデータ） (2020-02-07T12:35:33Z)
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。