論文の概要: Modeling of Core Loss Based on Machine Learning and Deep Learning

• arxiv url: http://arxiv.org/abs/2502.05487v1
• Date: Sat, 08 Feb 2025 08:07:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:29:41.345147
• Title: Modeling of Core Loss Based on Machine Learning and Deep Learning
• Title（参考訳）: 機械学習とディープラーニングに基づくコア損失のモデリング
• Authors: Junqi He, Yifeng Wei, Daiguang Jin,
• Abstract要約: 本稿では,CNN-FCNNに基づくMNN(Mix Neural Network)を提案する。 1つのモデルで温度、周波数、波形の異なる少なくとも4つの異なる材料を予測できることがわかった。 MNNとXGBoostを組み合わせたハイブリッドモデルが提案され、重み付けによって予測され、精度が向上し続けることが判明した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This article proposes a Mix Neural Network (MNN) based on CNN-FCNN for predicting magnetic loss of different materials. In traditional magnetic core loss models, empirical equations usually need to be regressed under the same external conditions. When the magnetic core material is different, it needs to be classified and discussed. If external factors increase, multiple models need to be proposed for classification and discussion, making the modeling process extremely cumbersome. And traditional empirical equations still has the problem of low accuracy, although various correction equations have been introduced later, the accuracy has always been unsatisfactory. By introducing machine learning and deep learning, it is possible to simultaneously solve prediction problems with low accuracy of empirical equations and complex conditions. Based on the MagNet database, through the training of the newly proposed MNN, it is found that a single model is sufficient to make predictions for at least four different materials under varying temperatures, frequencies, and waveforms, with accuracy far exceeding that of traditional models. At the same time, we also used three other machine learning and deep learning models (Random Forest, XGBoost, MLP-LSTM) for training, all of which had much higher accuracy than traditional models. On the basis of the predicted results, a hybrid model combining MNN and XGBoost was proposed, which predicted through weighting and found that the accuracy could continue to improve. This provides a solution for modeling magnetic core loss under different materials and operating modes.
• Abstract（参考訳）: 本稿では,CNN-FCNNに基づくMNN(Mix Neural Network)を提案する。 従来の磁気コア損失モデルでは、経験方程式は同じ外部条件下で回帰する必要がある。 磁気コア材料が異なる場合、それを分類し、議論する必要がある。 外部因子が増加すると、分類と議論のために複数のモデルが提案される必要があり、モデリングプロセスは非常に煩雑になる。 従来の経験方程式には依然として低い精度の問題があるが、様々な補正方程式が後に導入されたが、常に正確性は不十分である。 機械学習とディープラーニングを導入することにより、経験方程式や複雑な条件の精度の低い予測問題を同時に解くことができる。 MagNetデータベースをベースとして,新たに提案したMNNのトレーニングにより,従来のモデルよりもはるかに精度の高い温度,周波数,波形で,少なくとも4つの異なる材料を予測できるモデルが得られた。 同時に、トレーニングには他の3つの機械学習モデル(Random Forest、XGBoost、MLP-LSTM)も使用しました。 予測結果に基づいて,MNNとXGBoostを組み合わせたハイブリッドモデルを提案した。 これにより、異なる材料と動作モード下での磁気コア損失をモデル化するソリューションが提供される。

関連論文リスト

• chemtrain: Learning Deep Potential Models via Automatic Differentiation and Statistical Physics [0.0]
  ニューラルネットワーク(NN)は分子動力学の精度を改善するための有望なモデルである。 Chemtrainは、カスタマイズ可能なトレーニングルーチンと高度なトレーニングアルゴリズムを通じて、洗練されたNNポテンシャルモデルを学ぶためのフレームワークである。
  論文  参考訳（メタデータ） (2024-08-28T15:14:58Z)
• Layer-wise Linear Mode Connectivity [52.6945036534469]
  ニューラルネットワークパラメータの平均化は、2つの独立したモデルの知識の直感的な方法である。 フェデレートラーニングにおいて最も顕著に用いられている。 私たちは、単一グループやグループを平均化するモデルの性能を分析します。
  論文  参考訳（メタデータ） (2023-07-13T09:39:10Z)
• Regression-based Physics Informed Neural Networks (Reg-PINNs) for Magnetopause Tracking [0.0]
  回帰に基づく物理情報ニューラルネットワーク(Reg-PINN)の紹介 Reg-PINNは、物理にインスパイアされた経験的モデルをニューラルネットワークの損失関数に埋め込む。 シュエのモデルと比較して、この手法はRMSEの約30%の削減を実現している。
  論文  参考訳（メタデータ） (2023-06-16T04:28:57Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• MINN: Learning the dynamics of differential-algebraic equations and application to battery modeling [2.1303885995425635]
  モデル統合ニューラルネットワーク(MINN)と呼ばれる新しい機械学習アーキテクチャを提案する。 MINNは偏微分代数方程式(PDAE)からなる一般自律系または非自律系の物理に基づくダイナミクスを学ぶ 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)
• Physics Simulation Via Quantum Graph Neural Network [0.0]
  量子グラフニューラルネットワーク(QGNN)の2つの実現法を開発し,実装する。 最初のQGNNは、古典的な情報として重ね合わせ状態を直接実装する能力に依存する投機的量子古典的ハイブリッド学習モデルである。 2つ目は量子古典的ハイブリッド学習モデルで、RX$回転ゲートのパラメータを通して直接粒子情報を伝播する。
  論文  参考訳（メタデータ） (2023-01-11T20:21:10Z)
• Towards Robust k-Nearest-Neighbor Machine Translation [72.9252395037097]
  近年,k-Nearest-Neighbor Machine Translation (kNN-MT)がNMTの重要な研究方向となっている。 その主なアイデアは、NMTモデルを更新することなく翻訳を変更するために、追加のデータストアから有用なキーと値のペアを取得することである。 取り出したノイズペアはモデル性能を劇的に低下させる。 ノイズの影響を軽減するために,頑健なトレーニングを施した信頼性向上kNN-MTモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-17T07:43:39Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
  偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。 最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。 偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。 本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
  論文  参考訳（メタデータ） (2020-09-08T13:26:51Z)

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。