論文の概要: Predicting Filter Medium Performances in Chamber Filter Presses with Digital Twins Using Neural Network Technologies

• arxiv url: http://arxiv.org/abs/2502.14571v1
• Date: Thu, 20 Feb 2025 13:55:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-21 14:26:47.161012
• Title: Predicting Filter Medium Performances in Chamber Filter Presses with Digital Twins Using Neural Network Technologies
• Title（参考訳）: ニューラルネットワークを用いたディジタルツインを用いたチャンバーフィルタプレスの中間性能予測
• Authors: Dennis Teutscher, Tyll Weber-Carstanjen, Stephan Simonis, Mathias J. Krause,
• Abstract要約: 本稿では、動作の柔軟性と予測制御を改善するために、機械学習を利用したデジタルツインフレームワークを提案する。 ニューラルネットワークに基づく予測モデルは、圧力や流量などの操作パラメータを予測するために開発された。 モデルは、保守計画と資源持続可能性を支援するため、フィルタ媒体を予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Efficient solid-liquid separation is crucial in industries like mining, but traditional chamber filter presses depend heavily on manual monitoring, leading to inefficiencies, downtime, and resource wastage. This paper introduces a machine learning-powered digital twin framework to improve operational flexibility and predictive control. A key challenge addressed is the degradation of the filter medium due to repeated cycles and clogging, which reduces filtration efficiency. To solve this, a neural network-based predictive model was developed to forecast operational parameters, such as pressure and flow rates, under various conditions. This predictive capability allows for optimized filtration cycles, reduced downtime, and improved process efficiency. Additionally, the model predicts the filter mediums lifespan, aiding in maintenance planning and resource sustainability. The digital twin framework enables seamless data exchange between filter press sensors and the predictive model, ensuring continuous updates to the training data and enhancing accuracy over time. Two neural network architectures, feedforward and recurrent, were evaluated. The recurrent neural network outperformed the feedforward model, demonstrating superior generalization. It achieved a relative $L^2$-norm error of $5\%$ for pressure and $9.3\%$ for flow rate prediction on partially known data. For completely unknown data, the relative errors were $18.4\%$ and $15.4\%$, respectively. Qualitative analysis showed strong alignment between predicted and measured data, with deviations within a confidence band of $8.2\%$ for pressure and $4.8\%$ for flow rate predictions. This work contributes an accurate predictive model, a new approach to predicting filter medium cycle impacts, and a real-time interface for model updates, ensuring adaptability to changing operational conditions.
• Abstract（参考訳）: 鉱業のような産業では、効率的な固液分離が重要であるが、従来のチャンバーフィルターは手動の監視に大きく依存しており、非効率性、ダウンタイム、資源の浪費につながる。 本稿では、動作の柔軟性と予測制御を改善するために、機械学習を利用したデジタルツインフレームワークを提案する。 主な課題は、繰り返しサイクルと詰まりによる濾過媒体の劣化であり、濾過効率を低下させる。 これを解決するために、様々な条件下で圧力や流量などの操作パラメータを予測するニューラルネットワークベースの予測モデルを開発した。 この予測機能は、最適化された濾過サイクル、ダウンタイムの削減、プロセス効率の向上を可能にする。 さらに, フィルタ媒体の寿命を予測し, メンテナンス計画や資源持続可能性の向上に寄与する。 デジタルツインフレームワークは、フィルタプレスセンサと予測モデルとのシームレスなデータ交換を可能にし、トレーニングデータの継続的な更新を保証し、時間とともに精度を向上する。 フィードフォワードとリカレントという2つのニューラルネットワークアーキテクチャを評価した。 繰り返しニューラルネットワークはフィードフォワードモデルより優れ、より優れた一般化を示す。 相対的な$L^2$-norm誤差は圧力に対して$5\%、部分的に知られているデータの流量予測のために$9.3\%であった。 完全に未知のデータでは、相対誤差はそれぞれ18.4\%$と15.4\%$である。 定性的分析は、予測データと測定データの間に強い整合性を示し、信頼性帯域内の圧力は8.2\%、流量予測は4.8\%であった。 この研究は、正確な予測モデル、フィルタ媒体サイクルの影響を予測するための新しいアプローチ、およびモデル更新のためのリアルタイムインターフェースを提供し、運用条件の変更への適応性を保証する。

関連論文リスト

• Breaking Boundaries: Balancing Performance and Robustness in Deep Wireless Traffic Forecasting [11.029214459961114]
  正確性と堅牢性の間のトレードオフのバランスをとることは、時系列予測における長年の課題である。 本研究では,様々な摂動シナリオを考察し,実世界の通信データを用いた敵攻撃に対する防御機構を提案する。
  論文  参考訳（メタデータ） (2023-11-16T11:10:38Z)
• Short-term power load forecasting method based on CNN-SAEDN-Res [12.733504847643005]
  本稿では、畳み込みニューラルネットワーク(CNN)、自己アテンションエンコーダデコーダネットワーク(SAEDN)、残差リファインメント(Res)に基づく短期負荷予測手法を提案する。 提案手法は予測精度と予測安定性の点で利点がある。
  論文  参考訳（メタデータ） (2023-09-02T11:36:50Z)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• Combining Slow and Fast: Complementary Filtering for Dynamics Learning [9.11991227308599]
  本研究では,動的モデル学習に対する学習に基づくモデル学習手法を提案する。 また,さらに物理ベースのシミュレータを必要とするハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2023-02-27T13:32:47Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• Batch Normalization Tells You Which Filter is Important [49.903610684578716]
  我々は,事前学習したCNNのBNパラメータに基づいて,各フィルタの重要性を評価することによって,簡易かつ効果的なフィルタ刈取法を提案する。 CIFAR-10とImageNetの実験結果から,提案手法が優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2021-12-02T12:04:59Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Improved Predictive Deep Temporal Neural Networks with Trend Filtering [22.352437268596674]
  本稿では,ディープニューラルネットワークとトレンドフィルタリングに基づく新しい予測フレームワークを提案する。 我々は,学習データをトレンドフィルタリングによって時間的に処理した場合,深部時相ニューラルネットワークの予測性能が向上することを明らかにする。
  論文  参考訳（メタデータ） (2020-10-16T08:29:36Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)
• Dependency Aware Filter Pruning [74.69495455411987]
  重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。 以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。 所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
  論文  参考訳（メタデータ） (2020-05-06T07:41:22Z)

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。