論文の概要: A Graph-Enhanced DeepONet Approach for Real-Time Estimating Hydrogen-Enriched Natural Gas Flow under Variable Operations

• arxiv url: http://arxiv.org/abs/2504.08816v1
• Date: Wed, 09 Apr 2025 09:42:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:48:52.393296
• Title: A Graph-Enhanced DeepONet Approach for Real-Time Estimating Hydrogen-Enriched Natural Gas Flow under Variable Operations
• Title（参考訳）: 可変動作下におけるリアルタイム水素富化天然ガス流量推定のためのグラフ強化DeepONetアプローチ
• Authors: Sicheng Liu, Hongchang Huang, Bo Yang, Mingxuan Cai, Xu Yang, Xinping Guan,
• Abstract要約: 水素濃縮天然ガス(HENG)パイプラインネットワークにおける水素分率の推定は、運用上の安全性と効率性に不可欠である。 既存のデータ駆動アプローチでは、HENGフロー状態推定にエンドツーエンドアーキテクチャを採用している。 本研究では,HENG流れ,特に水素分画をリアルタイムに推定するためのグラフ強化DeepONetフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 16.96281515842414
• License:
• Abstract: Blending green hydrogen into natural gas presents a promising approach for renewable energy integration and fuel decarbonization. Accurate estimation of hydrogen fraction in hydrogen-enriched natural gas (HENG) pipeline networks is crucial for operational safety and efficiency, yet it remains challenging due to complex dynamics. While existing data-driven approaches adopt end-to-end architectures for HENG flow state estimation, their limited adaptability to varying operational conditions hinders practical applications. To this end, this study proposes a graph-enhanced DeepONet framework for the real-time estimation of HENG flow, especially hydrogen fractions. First, a dual-network architecture, called branch network and trunk network, is employed to characterize operational conditions and sparse sensor measurements to estimate the HENG state at targeted locations and time points. Second, a graph-enhance branch network is proposed to incorporate pipeline topology, improving the estimation accuracy in large-scale pipeline networks. Experimental results demonstrate that the proposed method achieves superior estimation accuracy for HCNG flow under varying operational conditions compared to conventional approaches.
• Abstract（参考訳）: 天然ガスへのグリーン水素のブレンディングは、再生可能エネルギーの統合と燃料の脱炭に有望なアプローチを示す。 水素濃縮天然ガス(HENG)パイプラインネットワークにおける水素分率の正確な推定は、運用上の安全性と効率に不可欠である。 既存のデータ駆動型アプローチでは、HENGフロー状態推定にエンドツーエンドアーキテクチャを採用しているが、様々な運用条件への適応性に制限があるため、実用的な応用が妨げられる。 そこで本研究では,HENG流れ,特に水素分画をリアルタイムに推定するためのグラフ強化DeepONetフレームワークを提案する。 第一に、分岐ネットワークとトランクネットワークと呼ばれるデュアルネットワークアーキテクチャを用いて、運用条件を特徴付け、センサーを疎結合に計測し、ターゲットとする位置と時間点のHENG状態を推定する。 第2に,大規模パイプラインネットワークにおける推定精度を向上させるため,パイプライントポロジを組み込むグラフエンハンス分岐ネットワークを提案する。 実験により,提案手法は従来手法に比べて動作条件の異なるHCNG流の予測精度が優れていることを示した。

関連論文リスト

• AI-Driven Reinvention of Hydrological Modeling for Accurate Predictions and Interpretation to Transform Earth System Modeling [19.028024402759467]
  HydroTraceは、ストリームフローを予測するアルゴリズム駆動のデータに依存しないモデルである。 ナッシュ・サトクリフ効率は98%に達し、目に見えないデータに対して強い一般化を示す。
  論文  参考訳（メタデータ） (2025-01-07T18:59:53Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• A Novel A.I Enhanced Reservoir Characterization with a Combined Mixture of Experts -- NVIDIA Modulus based Physics Informed Neural Operator Forward Model [0.6282171844772422]
  我々は,貯水池履歴マッチングの課題を効果的に解決するために,貯水池のキャラクタリゼーションのための高度なワークフローを開発した。 この方法は、洗練されたクラスタ分類回帰フレームワークにおいて、フォワードモデルとして物理インフォームドニューラル演算子(PINO)を統合する。 我々の統合モデルはPINO-Res-Simと呼ばれ、圧力、飽和度、石油、水、ガスの生産速度を含む重要なパラメータを出力します。
  論文  参考訳（メタデータ） (2024-04-20T10:28:24Z)
• Modeling State Shifting via Local-Global Distillation for Event-Frame Gaze Tracking [61.44701715285463]
  本稿では,イベントデータとフレームデータの両方を用いた受動的視線推定の問題に取り組む。 我々は、現在の状態からいくつかの事前登録されたアンカー状態に移行する状態の定量化として、視線推定を再構成する。 大規模視線推定ネットワークを直接学習する代わりに,地域の専門家グループと学生ネットワークを連携させることにより,一般化能力の向上を図る。
  論文  参考訳（メタデータ） (2024-03-31T03:30:37Z)
• A Safe Genetic Algorithm Approach for Energy Efficient Federated Learning in Wireless Communication Networks [53.561797148529664]
  フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。 FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。 現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
  論文  参考訳（メタデータ） (2023-06-25T13:10:38Z)
• Real-time high-resolution CO$_2$ geological storage prediction using nested Fourier neural operators [58.728312684306545]
  炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。 CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。 我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
  論文  参考訳（メタデータ） (2022-10-31T04:04:03Z)
• Applying Physics-Informed Enhanced Super-Resolution Generative Adversarial Networks to Finite-Rate-Chemistry Flows and Predicting Lean Premixed Gas Turbine Combustors [0.0]
  この研究は、最近導入されたPIESRGANを反応性有限レート化学フローへと前進させる。 The modified PIESRGAN-based model gives good agreement in a priori and a reari tests in a laminar lean premixed combustion setup。
  論文  参考訳（メタデータ） (2022-10-28T15:48:26Z)
• Machine Learning for Improved Gas Network Models in Coordinated Energy Systems [0.0]
  本研究では,非拘束型天然ガスの流動特性を改善するためのニューラルネットワーク最適化手法を提案する。 提案フレームワークは, 複雑な潜在的不正確なニューラル化アプローチを伴わずに, 双方向性を検討することができる。
  論文  参考訳（メタデータ） (2022-09-26T14:34:26Z)
• Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
  狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。 導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
  論文  参考訳（メタデータ） (2022-05-22T12:16:43Z)
• GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
  光フロー推定学習のためのGMFlowフレームワークを提案する。 機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。 我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
  論文  参考訳（メタデータ） (2021-11-26T18:59:56Z)
• Data-driven Full-waveform Inversion Surrogate using Conditional Generative Adversarial Networks [0.0]
  フル波形インバージョン(FWI)速度モデリングは、正確で詳細な速度場モデルを提供する反復的な高度な技術です。 本研究では,複数の入力を持つ条件付き生成逆数ネットワーク(cGAN)を用いて,FWIによって得られた速度場モデルを生成する手法を提案する。
  論文  参考訳（メタデータ） (2021-04-30T21:41:24Z)

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。