論文の概要: Industrial-scale Prediction of Cement Clinker Phases using Machine Learning
- arxiv url: http://arxiv.org/abs/2412.11981v1
- Date: Mon, 16 Dec 2024 17:03:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-17 13:54:32.459319
- Title: Industrial-scale Prediction of Cement Clinker Phases using Machine Learning
- Title（参考訳）: 機械学習によるセメントクリンカー相の産業規模予測
- Authors: Sheikh Junaid Fayaz, Nestor Montiel-Bohorquez, Shashank Bishnoi, Matteo Romano, Manuele Gatti, N. M. Anoop Krishnan,
- Abstract要約: セメントの生産量は410億トンを超え、年間2.4トンのCO2を生産している。
セメント製造の伝統的なプロセスモデルは、鉱物学的相の予測能力に制限のある定常状態に限られている。
ここでは, 産業用セメントプラントからの総合的な2年間の運用データセットを利用して, プロセスデータからクリンカー鉱物学を正確に予測する機械学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 3.600969417368042
- License:
- Abstract: Cement production, exceeding 4.1 billion tonnes and contributing 2.4 tonnes of CO2 annually, faces critical challenges in quality control and process optimization. While traditional process models for cement manufacturing are confined to steady-state conditions with limited predictive capability for mineralogical phases, modern plants operate under dynamic conditions that demand real-time quality assessment. Here, exploiting a comprehensive two-year operational dataset from an industrial cement plant, we present a machine learning framework that accurately predicts clinker mineralogy from process data. Our model achieves unprecedented prediction accuracy for major clinker phases while requiring minimal input parameters, demonstrating robust performance under varying operating conditions. Through post-hoc explainable algorithms, we interpret the hierarchical relationships between clinker oxides and phase formation, providing insights into the functioning of an otherwise black-box model. This digital twin framework can potentially enable real-time optimization of cement production, thereby providing a route toward reducing material waste and ensuring quality while reducing the associated emissions under real plant conditions. Our approach represents a significant advancement in industrial process control, offering a scalable solution for sustainable cement manufacturing.
- Abstract（参考訳）: セメントの生産量は410億トンを超え、年間2.4トンのCO2を供給しており、品質管理とプロセス最適化において重大な課題に直面している。
セメント製造の伝統的なプロセスモデルは、鉱物学的な段階の予測能力に制限のある定常状態に限られているが、現代の工場は、リアルタイムの品質評価を必要とする動的条件の下で機能している。
ここでは, 産業用セメントプラントからの総合的な2年間の運用データセットを利用して, プロセスデータからクリンカー鉱物学を正確に予測する機械学習フレームワークを提案する。
本モデルでは,入力パラメータを最小化しながら,最大クリンカー位相に対する前例のない予測精度を実現し,各種動作条件下でのロバストな性能を示す。
ポストホックな説明可能なアルゴリズムを通じて、クリンカーオキシドと相形成の間の階層的関係を解釈し、それ以外のブラックボックスモデルの機能に関する洞察を与える。
このデジタルツインフレームワークは、セメント製造のリアルタイム最適化を可能にし、実際のプラント条件下での排出を低減しつつ、材料廃棄物の削減と品質確保のための経路を提供することができる。
当社のアプローチは, 持続可能なセメント製造のためのスケーラブルなソリューションとして, 産業プロセス制御の大幅な進歩を示すものである。
関連論文リスト
- Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。
我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。
本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
論文 参考訳（メタデータ） (2024-05-20T09:28:23Z) - A Hybrid Approach of Transfer Learning and Physics-Informed Modeling:
Improving Dissolved Oxygen Concentration Prediction in an Industrial
Wastewater Treatment Plant [0.0]
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。
論文 参考訳（メタデータ） (2024-01-20T11:53:08Z) - Probabilistic Physics-integrated Neural Differentiable Modeling for
Isothermal Chemical Vapor Infiltration Process [3.878427803346315]
化学気相浸透(CVI)は、炭素-炭素および炭化炭素-ケイ素複合化合物の製造に広く用いられている製造技術である。
CVI中の密度化過程は, これらの複合材料の最終性能, 品質, 整合性に重要な影響を及ぼす。
我々は物理積分型ニューラル微分可能(PiNDiff)モデリングフレームワークを用いたデータ駆動予測モデルを開発した。
論文 参考訳（メタデータ） (2023-11-13T23:25:18Z) - Sustainable Concrete via Bayesian Optimization [4.149122595744125]
地球規模の二酸化炭素排出量の8%はセメントの生産による可能性がある。
そのため、低炭素コンクリート公式の発見は持続可能性にとって非常に重要である。
論文 参考訳（メタデータ） (2023-10-27T17:25:12Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳（メタデータ） (2023-07-01T15:18:00Z) - Real-time high-resolution CO$_2$ geological storage prediction using
nested Fourier neural operators [58.728312684306545]
炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。
CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。
我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
論文 参考訳（メタデータ） (2022-10-31T04:04:03Z) - Extending Process Discovery with Model Complexity Optimization and
Cyclic States Identification: Application to Healthcare Processes [62.997667081978825]
モデル最適化のための半自動支援を実現するプロセスマイニング手法を提案する。
所望の粒度で生モデルを抽象化するモデル単純化手法が提案されている。
医療分野の異なるアプリケーションから得られた3つのデータセットを用いて、技術的ソリューションの能力を実証することを目的としている。
論文 参考訳（メタデータ） (2022-06-10T16:20:59Z) - Machine Learning Methods for Health-Index Prediction in Coating Chambers [0.0]
コーティングチャンバーは、物理的蒸着を用いた宝石製造における機械的および光学的表面特性を改善する薄い層を生成する。
現在のルールベースのメンテナンス戦略は、特定のレシピの影響と真空室の実際の状態を無視している。
本報告では, 塗工室の環境保全に向けたステップとなる, 新規な健康指標の導出について述べる。
論文 参考訳（メタデータ） (2022-05-30T14:43:32Z) - Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using
Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。
本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。
これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文 参考訳（メタデータ） (2020-12-07T16:23:13Z) - Predictive modeling approaches in laser-based material processing [59.04160452043105]
本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。
その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。
結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
論文 参考訳（メタデータ） (2020-06-13T17:28:52Z)
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。