論文の概要: From Models To Experiments: Shallow Recurrent Decoder Networks on the DYNASTY Experimental Facility

• arxiv url: http://arxiv.org/abs/2503.08907v1
• Date: Tue, 11 Mar 2025 21:39:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:38:10.456761
• Title: From Models To Experiments: Shallow Recurrent Decoder Networks on the DYNASTY Experimental Facility
• Title（参考訳）: モデルから実験へ:DYNASTY実験施設における低繰り返しデコーダネットワーク
• Authors: Carolina Introini, Stefano Riva, J. Nathan Kutz, Antonio Cammi,
• Abstract要約: ショート・リカレント・デコーダ・ネットワーク(Shallow Recurrent Decoder Network)は、状態推定のために最近導入された新しいパラダイムである。 この作業は、Shallow Recurrent Decoder アーキテクチャを、ミラノの Politecnico di Milano に構築された DYNASTY 施設に適用することを目的としている。 この研究の結果は、Shallow Recurrent Decoderアーキテクチャのエンジニアリングシステムへの検証を提供する。
• 参考スコア（独自算出の注目度）: 3.422016133670755
• License:
• Abstract: The Shallow Recurrent Decoder networks are a novel paradigm recently introduced for state estimation, combining sparse observations with high-dimensional model data. This architecture features important advantages compared to standard data-driven methods including: the ability to use only three sensors (even randomly selected) for reconstructing the entire dynamics of a physical system; the ability to train on compressed data spanned by a reduced basis; the ability to measure a single field variable (easy to measure) and reconstruct coupled spatio-temporal fields that are not observable and minimal hyper-parameter tuning. This approach has been verified on different test cases within different fields including nuclear reactors, even though an application to a real experimental facility, adopting the employment of in-situ observed quantities, is missing. This work aims to fill this gap by applying the Shallow Recurrent Decoder architecture to the DYNASTY facility, built at Politecnico di Milano, which studies the natural circulation established by internally heated fluids for Generation IV applications, especially in the case of Circulating Fuel reactors. The RELAP5 code is used to generate the high-fidelity data, and temperature measurements extracted by the facility are used as input for the state estimation. The results of this work will provide a validation of the Shallow Recurrent Decoder architecture to engineering systems, showing the capabilities of this approach to provide and accurate state estimation.
• Abstract（参考訳）: シャローリカレントデコーダネットワーク(Shallow Recurrent Decoder network)は, スパース観測と高次元モデルデータを組み合わせた, 状態推定のための新しいパラダイムである。 このアーキテクチャは、物理システムの全ダイナミクスを再構築するために3つのセンサー(ランダムに選択されてさえも)のみを使用する能力、圧縮されたデータをトレーニングする能力、単一のフィールド変数(測定が容易)を計測し、観測不可能で最小限のハイパーパラメータチューニングのない結合時空間を再構築する能力など、標準的なデータ駆動方式と比較して大きな利点がある。 提案手法は, 実実験施設に適用し, その場で観測した量の活用を行ないながら, 原子炉を含む様々な分野の試験事例で検証されている。 本研究は, 内熱流体による自然循環を第IV世代, 特に循環式燃料炉で研究するPolitecnico di Milanoに建設されたDYNASTY施設にShallow Recurrent Decoderアーキテクチャを適用し, このギャップを埋めることを目的としている。 高忠実度データを生成するためにRELAP5符号を用い、状態推定の入力として施設によって抽出された温度測定を行う。 この研究の結果は、Shallow Recurrent Decoderアーキテクチャのエンジニアリングシステムへの検証を提供し、状態推定を正確かつ正確にするためのこのアプローチの能力を示す。

関連論文リスト

• Sparse identification of nonlinear dynamics and Koopman operators with Shallow Recurrent Decoder Networks [3.1484174280822845]
  本稿では,SINDy-SHRED(SINDy-SHRED)とSINDY-SHRED(SINDy-SHRED)を併用したダイナミクスの同定について述べる。 SINDy-SHRED は Gated Recurrent Units (GRU) を用いて、センサー計測の時間的シーケンスを浅層デコーダネットワークと共にモデル化し、潜在状態空間から全フィールドを再構築する。 我々は, 合成PDEデータ, 海面温度の実環境センサ計測, 直接ビデオデータを含む系統的研究を行った。
  論文  参考訳（メタデータ） (2025-01-23T02:18:13Z)
• FLRONet: Deep Operator Learning for High-Fidelity Fluid Flow Field Reconstruction from Sparse Sensor Measurements [0.0]
  本研究では,スパースセンサによる流体流れ場再構築のための深層演算子学習フレームワークであるFLRONetを紹介する。 FLRONetは、センサ測定が不正確な場合や欠落の場合であっても、高いレベルの再現精度と堅牢性を達成する。
  論文  参考訳（メタデータ） (2024-12-11T01:28:48Z)
• FLRNet: A Deep Learning Method for Regressive Reconstruction of Flow Field From Limited Sensor Measurements [0.2621730497733947]
  スパースセンサ計測による流れ場再構成のための深層学習手法であるFLRNetを導入する。 各種流動条件およびセンサ構成下でのFLRNetの再構成能力と一般化性について検証した。
  論文  参考訳（メタデータ） (2024-11-21T03:40:34Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• ARFA: An Asymmetric Receptive Field Autoencoder Model for Spatiotemporal Prediction [55.30913411696375]
  本稿では,非対称な受容場オートエンコーダ (ARFA) モデルを提案する。 エンコーダでは,大域的時間的特徴抽出のための大規模なカーネルモジュールを提案し,デコーダでは局所的時間的再構成のための小さなカーネルモジュールを開発する。 降水予測のための大規模レーダエコーデータセットであるRainBenchを構築し,その領域における気象データの不足に対処する。
  論文  参考訳（メタデータ） (2023-09-01T07:55:53Z)
• From NeurODEs to AutoencODEs: a mean-field control framework for width-varying Neural Networks [68.8204255655161]
  本稿では,動的に駆動する制御フィールドをベースとした,AutoencODEと呼ばれる新しいタイプの連続時間制御システムを提案する。 損失関数が局所凸な領域では,多くのアーキテクチャが復元可能であることを示す。
  論文  参考訳（メタデータ） (2023-07-05T13:26:17Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• Physics-informed neural networks for gravity currents reconstruction from limited data [0.0]
  本研究では, 物理インフォームドニューラルネットワーク(PINN)を用いた非定常重力電流の3次元再構成について検討した。 PINNコンテキストでは、目的関数がネットワーク予測と観測データとのミスマッチをペナルティ化するニューラルネットワークをトレーニングすることにより、フローフィールドを再構築する。
  論文  参考訳（メタデータ） (2022-11-03T11:27:29Z)
• State Entropy Maximization with Random Encoders for Efficient Exploration [162.39202927681484]
  近年,深層補強学習(rl)におけるサンプル効率向上のための手法が提案されている。 本稿では,状態エントロピーを本質的な報酬として利用する探索手法であるRandoms for Efficient Exploration (RE3)を提案する。 特に、ランダムエンコーダを用いて、状態エントロピーを安定かつ計算効率の良い方法で推定できることが判明した。
  論文  参考訳（メタデータ） (2021-02-18T15:45:17Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)

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。