論文の概要: Physics-Based Hybrid Machine Learning for Critical Heat Flux Prediction with Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2502.19357v1
• Date: Wed, 26 Feb 2025 17:55:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 14:58:51.592216
• Title: Physics-Based Hybrid Machine Learning for Critical Heat Flux Prediction with Uncertainty Quantification
• Title（参考訳）: 不確実性量子化による臨界熱流束予測のための物理ベースハイブリッド機械学習
• Authors: Aidan Furlong, Xingang Zhao, Robert Salko, Xu Wu,
• Abstract要約: 本研究では,不確実性を考慮したハイブリッドモデリング手法の開発と検証を行う。 機械学習と物理モデルを組み合わせて、ドライアウトの場合の原子炉の臨界熱流束を予測する。
• 参考スコア（独自算出の注目度）: 4.538224798436768
• License:
• Abstract: Critical heat flux is a key quantity in boiling system modeling due to its impact on heat transfer and component temperature and performance. This study investigates the development and validation of an uncertainty-aware hybrid modeling approach that combines machine learning with physics-based models in the prediction of critical heat flux in nuclear reactors for cases of dryout. Two empirical correlations, Biasi and Bowring, were employed with three machine learning uncertainty quantification techniques: deep neural network ensembles, Bayesian neural networks, and deep Gaussian processes. A pure machine learning model without a base model served as a baseline for comparison. This study examines the performance and uncertainty of the models under both plentiful and limited training data scenarios using parity plots, uncertainty distributions, and calibration curves. The results indicate that the Biasi hybrid deep neural network ensemble achieved the most favorable performance (with a mean absolute relative error of 1.846% and stable uncertainty estimates), particularly in the plentiful data scenario. The Bayesian neural network models showed slightly higher error and uncertainty but superior calibration. By contrast, deep Gaussian process models underperformed by most metrics. All hybrid models outperformed pure machine learning configurations, demonstrating resistance against data scarcity.
• Abstract（参考訳）: 臨界熱フラックス(Critical heat flux)は、熱伝達と成分温度と性能に影響を及ぼすため、沸騰系のモデリングにおいて重要な量である。 本研究では, 原子炉内の臨界熱フラックス予測における機械学習と物理モデルを組み合わせた不確実性を考慮したハイブリッドモデリング手法の開発と妥当性について検討した。 BiasiとBoringの2つの経験的相関は、深層ニューラルネットワークアンサンブル、ベイズニューラルネットワーク、深層ガウス過程の3つの機械学習不確実性定量化技術を用いている。 ベースモデルを持たない純粋な機械学習モデルは、比較のベースラインとして機能した。 本研究では,パリティプロット,不確かさ分布,キャリブレーション曲線を用いて,モデルの性能と不確実性について検討した。 その結果,バイアシハイブリッドディープニューラルネットワークアンサンブルが最も好適な性能(平均絶対相対誤差1.846%,安定した不確実性推定)を達成したことが示唆された。 ベイズニューラルネットワークモデルでは、誤差と不確実性はわずかに高いが、キャリブレーションは優れている。 対照的に、ディープ・ガウスのプロセスモデルは、ほとんどのメトリクスで性能が劣っている。 すべてのハイブリッドモデルは、純粋な機械学習構成よりも優れ、データ不足に対する抵抗性を実証した。

関連論文リスト

• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• DiffHybrid-UQ: Uncertainty Quantification for Differentiable Hybrid Neural Modeling [4.76185521514135]
  本稿では,ハイブリッドニューラル微分可能モデルにおける有効かつ効率的な不確実性伝播と推定のための新しい手法DiffHybrid-UQを提案する。 具体的には,データノイズとてんかんの不確かさから生じるアレタリック不確かさと,モデル形状の相違やデータ空間のばらつきから生じるエピステマティック不確かさの両方を効果的に識別し,定量化する。
  論文  参考訳（メタデータ） (2023-12-30T07:40:47Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Distance Preserving Machine Learning for Uncertainty Aware Accelerator Capacitance Predictions [1.1776336798216411]
  ディープニューラルネットワークとガウス過程近似技術は有望な結果を示しているが、標準ディープニューラルネットワーク層による次元削減はガウス過程モデルに必要な距離情報を維持することが保証されていない。 本研究では, スペクトル正規化高密度層に対する特異値分解法を, ディープ・ニューラル・ガウス過程近似モデルの特徴抽出器として用いた。 本モデルでは, 距離保存の精度が向上し, 1%未満の誤差で分配容量を予測できる。
  論文  参考訳（メタデータ） (2023-07-05T15:32:39Z)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• Churn Reduction via Distillation [54.5952282395487]
  本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。 次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T18:03:31Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)
• Using Bayesian deep learning approaches for uncertainty-aware building energy surrogate models [0.0]
  機械学習シュロゲートモデルは、遅くて高忠実なエンジニアリングシミュレーションモデルをエミュレートするために訓練される。 ベイズパラダイムに従う深層学習モデルが存在する。 その結果, 高い不確実性を有する試料の10%を高忠実度モデルに転送した場合, 誤差を最大30%低減できることがわかった。
  論文  参考訳（メタデータ） (2020-10-05T15:04:18Z)
• The Gaussian equivalence of generative models for learning with shallow neural networks [30.47878306277163]
  本研究では,事前学習した生成モデルから得られたデータに基づいて学習したニューラルネットワークの性能について検討する。 この等価性を裏付ける厳密で解析的で数値的な証拠を3本提供します。 これらの結果は、現実的なデータを持つ機械学習モデルの理論研究への有効な道を開く。
  論文  参考訳（メタデータ） (2020-06-25T21:20:09Z)
• A comprehensive study on the prediction reliability of graph neural networks for virtual screening [0.0]
  本稿では,モデルアーキテクチャ,正規化手法,損失関数が分類結果の予測性能および信頼性に与える影響について検討する。 その結果,高い成功率を達成するためには,正則化と推論手法の正しい選択が重要であることが明らかとなった。
  論文  参考訳（メタデータ） (2020-03-17T10:13:31Z)

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。