論文の概要: Scalable heliostat surface predictions from focal spots: Sim-to-Real transfer of inverse Deep Learning Raytracing

• arxiv url: http://arxiv.org/abs/2504.03712v1
• Date: Fri, 28 Mar 2025 13:15:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-13 06:23:31.345089
• Title: Scalable heliostat surface predictions from focal spots: Sim-to-Real transfer of inverse Deep Learning Raytracing
• Title（参考訳）: 焦点位置からのスケーラブルなヘリオスタット表面の予測:逆ディープラーニングレイトレーシングのSim-to-Real転送
• Authors: Jan Lewen, Max Pargmann, Jenia Jitsev, Mehdi Cherti, Robert Pitz-Paal, Daniel Maldonado Quinto,
• Abstract要約: Inverse Deep Learning Raytracing (iDLR) は、標準校正手順中に記録されたターゲット画像からヘリオスタット表面のプロファイルを推測する新しい手法として導入された。 実世界のターゲット画像から直接正確な表面予測が可能となるiDLRのSim-to-Real転送に成功した。
• 参考スコア（独自算出の注目度）: 3.9888918233632746
• License:
• Abstract: Concentrating Solar Power (CSP) plants are a key technology in the transition toward sustainable energy. A critical factor for their safe and efficient operation is the distribution of concentrated solar flux on the receiver. However, flux distributions from individual heliostats are sensitive to surface imperfections. Measuring these surfaces across many heliostats remains impractical in real-world deployments. As a result, control systems often assume idealized heliostat surfaces, leading to suboptimal performance and potential safety risks. To address this, inverse Deep Learning Raytracing (iDLR) has been introduced as a novel method for inferring heliostat surface profiles from target images recorded during standard calibration procedures. In this work, we present the first successful Sim-to-Real transfer of iDLR, enabling accurate surface predictions directly from real-world target images. We evaluate our method on 63 heliostats under real operational conditions. iDLR surface predictions achieve a median mean absolute error (MAE) of 0.17 mm and show good agreement with deflectometry ground truth in 84% of cases. When used in raytracing simulations, it enables flux density predictions with a mean accuracy of 90% compared to deflectometry over our dataset, and outperforms the commonly used ideal heliostat surface assumption by 26%. We tested this approach in a challenging double-extrapolation scenario-involving unseen sun positions and receiver projection-and found that iDLR maintains high predictive accuracy, highlighting its generalization capabilities. Our results demonstrate that iDLR is a scalable, automated, and cost-effective solution for integrating realistic heliostat surface models into digital twins. This opens the door to improved flux control, more precise performance modeling, and ultimately, enhanced efficiency and safety in future CSP plants.
• Abstract（参考訳）: 太陽エネルギー(CSP)の濃縮は、持続可能なエネルギーへの移行において重要な技術である。 安全かつ効率的な運用において重要な要素は、受信機に集光した太陽フラックスの分布である。 しかし、個々のヘリオスタットからのフラックス分布は表面の不完全性に敏感である。 これらの表面を多くのヘリオスタットにわたって測定することは、現実世界の展開において実用的ではない。 その結果、制御システムは理想化されたヘリオスタットの表面を仮定し、最適性能と潜在的な安全性のリスクをもたらす。 これを解決するために、標準校正時に記録された対象画像からヘリオスタット表面のプロファイルを推定する新しい手法として、逆ディープラーニングレイトレーシング(iDLR)が導入された。 そこで本研究では,iDLRのSim-to-Real転送を初めて成功させ,実世界のターゲット画像から直接正確な表面予測を可能にする。 本手法は実運用条件下での63ヘリオスタットについて検討した。 iDLR表面の予測は0.17mmの平均絶対誤差(MAE)を平均して達成し、84%のケースでは偏向法基底真理と良好に一致している。 レイトレーシングシミュレーションで使用すると、我々のデータセット上の偏向計と比較して平均90%の精度でフラックス密度の予測が可能になり、一般的に使用される理想的なヘリオスタット表面の仮定を26%上回る。 その結果,iDLRは予測精度を高く保ち,その一般化能力を強調していることがわかった。 以上の結果から,iDLRはリアルなヘリオスタット表面モデルをデジタル双晶に組み込むための,スケーラブルで自動化された,費用対効果の高いソリューションであることが示された。 これにより、フラックス制御の改善、より正確な性能モデリング、そして最終的には将来のCSPプラントの効率性と安全性の向上への扉が開ける。

関連論文リスト

• An Atmospheric Correction Integrated LULC Segmentation Model for High-Resolution Satellite Imagery [0.0]
  本研究では、大気の反射率と透過率を推定するために、ルックアップテーブルに基づく放射移動シミュレーションを用いる。 その後、修正された表面反射データは、教師付きおよび半教師付きセグメンテーションモデルで使用された。
  論文  参考訳（メタデータ） (2024-09-09T10:47:39Z)
• Inverse Deep Learning Ray Tracing for Heliostat Surface Prediction [3.9888918233632746]
  我々は、ヘリオスタット校正時に得られたターゲット画像のみに基づいてヘリオスタット表面を予測するために、逆ディープラーニングレイトレーシング(iDLR)を導入する。 シミュレーションに基づく研究により, ヘリオスタット表面のフラックス密度分布にはヘリオスタット表面に関する十分な情報が保持されていることが示された。 以上の結果から,iDLRはCSPプラントの操業を増強し,発電所全体の効率とエネルギー消費を増大させる可能性が示唆された。
  論文  参考訳（メタデータ） (2024-08-20T12:51:35Z)
• Dynamic Line Rating using Hyper-local Weather Predictions: A Machine Learning Approach [0.0]
  送電網における再生可能エネルギー統合には動的ラインレーティング(DLR)システムが不可欠である。 従来の方法では、すべてのポールやスパンにセンサーをインストールする非現実性のため、センサーデータに直面する課題に対処する。 本稿では,ハイパーローカル気象予報データとともに機械学習(ML)技術を活用する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-05-20T18:29:53Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• RFTrans: Leveraging Refractive Flow of Transparent Objects for Surface Normal Estimation and Manipulation [50.10282876199739]
  本稿では、透明物体の表面正規化と操作のためのRGB-Dに基づくRFTransを提案する。 RFNetは屈折流、物体マスク、境界を予測し、次いでF2Netは屈折流から表面の正常を推定する。 現実のロボットがタスクをつかむと、成功率は83%となり、屈折流が直接シミュレートから現実への移動を可能にすることが証明される。
  論文  参考訳（メタデータ） (2023-11-21T07:19:47Z)
• High-Cadence Thermospheric Density Estimation enabled by Machine Learning on Solar Imagery [0.14061979259370275]
  我々は、NASAのソーラー・ダイナミクス・オブザーバ(SDO)極紫外線(EUV)スペクトル画像をニューラル熱圏密度モデルに組み込む。 我々は、EUV画像により、時間分解能をはるかに高め、地上ベースのプロキシを置き換えることができることを示した。
  論文  参考訳（メタデータ） (2023-11-12T23:39:21Z)
• View Consistent Purification for Accurate Cross-View Localization [59.48131378244399]
  本稿では,屋外ロボットのための微細な自己局在化手法を提案する。 提案手法は,既存のクロスビューローカライゼーション手法の限界に対処する。 これは、動的環境における知覚を増強する初めての疎視のみの手法である。
  論文  参考訳（メタデータ） (2023-08-16T02:51:52Z)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)
• Machine learning model to predict solar radiation, based on the integration of meteorological data and data obtained from satellite images [0.0]
  地理的位置での太陽放射の挙動を知ることは、太陽からのエネルギーの使用に不可欠である。 GOES-13衛星から得られた画像を使用して、データセットに統合可能な変数を抽出した。 太陽放射予測における5つの機械学習アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2022-04-08T22:17:19Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Leveraging Spatial and Photometric Context for Calibrated Non-Lambertian Photometric Stereo [61.6260594326246]
  空間と測光の両方を同時に活用できる効率的な完全畳み込みアーキテクチャを提案する。 分離可能な4D畳み込みと2D熱マップを使うことで、サイズが小さくなり、効率が向上する。
  論文  参考訳（メタデータ） (2021-03-22T18:06:58Z)

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。