論文の概要: Rule-based autocorrection of Piping and Instrumentation Diagrams (P&IDs) on graphs

• arxiv url: http://arxiv.org/abs/2502.18493v1
• Date: Tue, 18 Feb 2025 09:35:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 02:21:23.477009
• Title: Rule-based autocorrection of Piping and Instrumentation Diagrams (P&IDs) on graphs
• Title（参考訳）: グラフ上のパイプ・インスツルメンテーション図(P&ID)の規則に基づく自動補正
• Authors: Lukas Schulze Balhorn, Niels Seijsener, Kevin Dao, Minji Kim, Dominik P. Goldstein, Ge H. M. Driessen, Artur M. Schweidtmann,
• Abstract要約: 配管・インスツルメンテーション図(P&ID)は化学プロセス工学における中心的な基準文書である。 現在、化学技術者は視覚検査を通じてP&IDを手動でレビューし、エラーを発見し修正している。 本研究では,P&IDの誤り検出と修正を行う技術者を支援するルールベース手法を提案する。
• 参考スコア（独自算出の注目度）: 0.9776629933427081
• License:
• Abstract: A piping and instrumentation diagram (P&ID) is a central reference document in chemical process engineering. Currently, chemical engineers manually review P&IDs through visual inspection to find and rectify errors. However, engineering projects can involve hundreds to thousands of P&ID pages, creating a significant revision workload. This study proposes a rule-based method to support engineers with error detection and correction in P&IDs. The method is based on a graph representation of P&IDs, enabling automated error detection and correction, i.e., autocorrection, through rule graphs. We use our pyDEXPI Python package to generate P&ID graphs from DEXPI-standard P&IDs. In this study, we developed 33 rules based on chemical engineering knowledge and heuristics, with five selected rules demonstrated as examples. A case study on an illustrative P&ID validates the reliability and effectiveness of the rule-based autocorrection method in revising P&IDs.
• Abstract（参考訳）: 配管・インスツルメンテーション図(P&ID)は化学プロセス工学における中心的な基準文書である。 現在、化学技術者は視覚検査を通じてP&IDを手動でレビューし、エラーを発見し修正している。 しかし、エンジニアリングプロジェクトは数百から数千のP&IDページを巻き込み、大幅なリビジョンの作業負荷を発生させる。 本研究では,P&IDの誤り検出と修正を行う技術者を支援するルールベース手法を提案する。 この方法はP&IDのグラフ表現に基づいており、ルールグラフによる自動誤り検出と修正を可能にする。 pyDEXPI Pythonパッケージを使用して、DEXPI標準のP&IDからP&IDグラフを生成する。 本研究では,化学工学の知識とヒューリスティックスに基づく33のルールを開発し,その例を5つ挙げた。 照明用P&IDのケーススタディは、P&IDの改訂におけるルールベースの自己補正法の信頼性と有効性を検証する。

関連論文リスト

• Transforming Engineering Diagrams: A Novel Approach for P&ID Digitization using Transformers [2.5056643038238495]
  本稿では,最先端のディープラーニングアーキテクチャであるRelationformerを用いて,P&IDからグラフを抽出する手法を提案する。 PID2Graphは,グラフ構造のための包括的ラベルを特徴とするP&IDデータセットである。 実世界のデータに対して、Relationformerは説得力のある結果を達成し、エッジ検出のためのモジュラーデジタル化アプローチを25%以上上回った。
  論文  参考訳（メタデータ） (2024-11-21T08:27:18Z)
• Verifying Non-friendly Formal Verification Designs: Can We Start Earlier? [2.1626093085892144]
  本稿では,2つの主要なステップからなるメタモデリング技術に基づく自動手法を提案する。 まず、C++で書かれた未使用のアルゴリズム記述を、生成されたアサーションを使用して早期に検証する。 第2に、HLECとそのメタモデルパラメータを用いて、このアルゴリズム記述をシーケンシャルな設計に対して検証する。
  論文  参考訳（メタデータ） (2024-10-24T06:09:40Z)
• Subtle Errors Matter: Preference Learning via Error-injected Self-editing [59.405145971637204]
  eRror-Injected Self-Editing (RISE) と呼ばれる新しい好み学習フレームワークを提案する。 RISEは、事前定義された微妙なエラーをピボットトークンに注入する。 RISEの有効性を検証する実験では、Qwen2-7B-Instructでの優先学習により、GSM8Kでは3.0%、MATHでは7.9%が顕著に改善され、トレーニングサンプルは4.5Kに留まった。
  論文  参考訳（メタデータ） (2024-10-09T07:43:38Z)
• Improving LLM Reasoning through Scaling Inference Computation with Collaborative Verification [52.095460362197336]
  大規模言語モデル(LLM)は一貫性と正確な推論に苦しむ。 LLMは、主に正しいソリューションに基づいて訓練され、エラーを検出して学習する能力を減らす。 本稿では,CoT(Chain-of-Thought)とPoT(Program-of-Thought)を組み合わせた新しい協調手法を提案する。
  論文  参考訳（メタデータ） (2024-10-05T05:21:48Z)
• GEML: A Grammar-based Evolutionary Machine Learning Approach for Design-Pattern Detection [7.018591019975254]
  デザインパターン(DP)はソフトウェア開発における良いプラクティスとして認識されています。 適切なドキュメントの欠如はトレーサビリティを損なうことが少なく、そのメリットは数千行のコードの間でぼやけています。 本稿では,多様な性質のソフトウェア特性を用いた進化的機械学習に基づく新しい検出手法であるGEMLを提案する。
  論文  参考訳（メタデータ） (2024-01-13T11:05:24Z)
• Controlled Generation with Prompt Insertion for Natural Language Explanations in Grammatical Error Correction [50.66922361766939]
  ユーザの修正理由の理解を確保することが不可欠である。 既存の研究では、修正の根拠となるトークン、例、ヒントが提示されているが、修正の理由を直接説明していない。 GEC修正のための説明を生成するには、入力トークンと出力トークンの整列、修正ポイントの識別、およびそれに対応する説明を一貫して提示することが含まれる。 本研究では,LLMが自然言語の修正の理由を説明するために,Prompt Insertion (PI) を用いた制御生成法を提案する。
  論文  参考訳（メタデータ） (2023-09-20T16:14:10Z)
• Discover, Explanation, Improvement: An Automatic Slice Detection Framework for Natural Language Processing [72.14557106085284]
  スライス検出モデル(SDM)は、データポイントの低パフォーマンスなグループを自動的に識別する。 本稿では,NLPタスクの分類のための "Discover, Explain, improve (DEIM)" というベンチマークを提案する。 評価の結果,Edisaは情報的セマンティックな特徴を持つ誤り発生データポイントを正確に選択できることがわかった。
  論文  参考訳（メタデータ） (2022-11-08T19:00:00Z)
• Towards automatic generation of Piping and Instrumentation Diagrams (P&IDs) with Artificial Intelligence [0.0]
  本稿では,制御構造予測のための新しい完全データ駆動手法を提案する。 制御構造予測をプロセスフロー図(PFD)をP&IDに変換する変換タスクとして用いた。 このモデルは1万個の生成されたP&IDで74.8%、10万個の生成されたP&IDで89.2%の精度でトップ5の精度を達成した。
  論文  参考訳（メタデータ） (2022-10-26T10:03:15Z)
• Digitize-PID: Automatic Digitization of Piping and Instrumentation Diagrams [21.298283130966148]
  Digitize-PIDは、パイプ、シンボル、テキスト情報などのP&IDからコアコンポーネントを検出するエンドツーエンドパイプラインで構成される。 微細な深層認識技術に基づく新規で効率的なカーネルベースライン検出と複素シンボル検出のための2段階法を提案する。 その結果、Digiize-PIDは既存のP&IDデジタル化の最先端よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-08T17:32:49Z)
• Change Point Detection in Time Series Data using Autoencoders with a Time-Invariant Representation [69.34035527763916]
  変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。 近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。 我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
  論文  参考訳（メタデータ） (2020-08-21T15:03:21Z)
• NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
  機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。 既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。 本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
  論文  参考訳（メタデータ） (2020-06-11T17:39:07Z)

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。