論文の概要: Dynamic Hybrid Modeling: Incremental Identification and Model Predictive Control
- arxiv url: http://arxiv.org/abs/2506.18344v1
- Date: Mon, 23 Jun 2025 06:55:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-24 19:06:36.890473
- Title: Dynamic Hybrid Modeling: Incremental Identification and Model Predictive Control
- Title（参考訳）: 動的ハイブリッドモデリング:インクリメンタル同定とモデル予測制御
- Authors: Adrian Caspari, Thomas Bierweiler, Sarah Fadda, Daniel Labisch, Maarten Nauta, Franzisko Wagner, Merle Warmbold, Constantinos C. Pantelides,
- Abstract要約: 動的ハイブリッドモデルの同定は、メカニスティックモデル構造にデータ駆動モデルを統合する必要があるため、依然として困難である。
本稿では,力学およびデータ駆動コンポーネントを分離した動的ハイブリッドモデルに対する漸進的同定手法を提案する。
このアプローチは、モデル構造適合性の早期評価を促進し、ハイブリッドモデルの開発を加速し、データ駆動コンポーネントの独立した識別を可能にする。
- 参考スコア（独自算出の注目度）: 0.6775616141339018
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mathematical models are crucial for optimizing and controlling chemical processes, yet they often face significant limitations in terms of computational time, algorithm complexity, and development costs. Hybrid models, which combine mechanistic models with data-driven models (i.e. models derived via the application of machine learning to experimental data), have emerged as a promising solution to these challenges. However, the identification of dynamic hybrid models remains difficult due to the need to integrate data-driven models within mechanistic model structures. We present an incremental identification approach for dynamic hybrid models that decouples the mechanistic and data-driven components to overcome computational and conceptual difficulties. Our methodology comprises four key steps: (1) regularized dynamic parameter estimation to determine optimal time profiles for flux variables, (2) correlation analysis to evaluate relationships between variables, (3) data-driven model identification using advanced machine learning techniques, and (4) hybrid model integration to combine the mechanistic and data-driven components. This approach facilitates early evaluation of model structure suitability, accelerates the development of hybrid models, and allows for independent identification of data-driven components. Three case studies are presented to illustrate the robustness, reliability, and efficiency of our incremental approach in handling complex systems and scenarios with limited data.
- Abstract（参考訳）: 数学モデルは化学プロセスの最適化と制御に不可欠であるが、計算時間、アルゴリズムの複雑さ、開発コストの面では重大な制限に直面していることが多い。
メカニスティックモデルとデータ駆動モデル(すなわち、機械学習による実験データへの応用によるモデル)を組み合わせたハイブリッドモデルは、これらの課題に対する有望な解決策として登場した。
しかし、力学モデル構造にデータ駆動モデルを統合する必要があるため、動的ハイブリッドモデルの同定は依然として困難である。
本稿では,力学とデータ駆動の要素を分離し,計算と概念の難しさを克服する動的ハイブリッドモデルに対する漸進的同定手法を提案する。
提案手法は,(1)フラックス変数の最適時間プロファイルを決定するための正規化動的パラメータ推定,(2)変数間の関係を評価する相関解析,(3)高度な機械学習技術を用いたデータ駆動モデル同定,(4)メカニスティックとデータ駆動コンポーネントを組み合わせたハイブリッドモデル統合の4段階からなる。
このアプローチは、モデル構造適合性の早期評価を促進し、ハイブリッドモデルの開発を加速し、データ駆動コンポーネントの独立した識別を可能にする。
限られたデータで複雑なシステムやシナリオを扱う場合、インクリメンタルアプローチの堅牢性、信頼性、効率性を示すために、3つのケーススタディが提示される。
関連論文リスト
- Hybrid Adaptive Modeling using Neural Networks Trained with Nonlinear Dynamics Based Features [5.652228574188242]
本稿では,非線形動的モデリングから情報を明らかにし,それをデータベースモデルに組み込むことにより,標準手法から逸脱する新しいアプローチを提案する。
摂動法による非線形力学現象を明示的に取り入れることにより、予測能力はブルートフォース数値シミュレーションから得られた知識と比較してより現実的で洞察力が高い。
論文 参考訳（メタデータ） (2025-01-21T02:38:28Z) - Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。
DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。
本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
論文 参考訳（メタデータ） (2024-10-31T07:28:22Z) - Hybrid additive modeling with partial dependence for supervised regression and dynamical systems forecasting [5.611231523622238]
部分依存に基づく新たなハイブリッドトレーニング手法を導入し,複雑な正規化の必要性を排除した。
合成問題と実回帰問題の両方において、そのようなハイブリッドモデルを訓練するためのいくつかのアプローチを比較する。
ツリーベースモデルや人工ニューラルネットワークなど、さまざまなタイプの機械学習モデルで実験が実施されている。
論文 参考訳（メタデータ） (2023-07-05T12:13:56Z) - Conditional Generative Models for Simulation of EMG During Naturalistic
Movements [45.698312905115955]
本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。
本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
論文 参考訳（メタデータ） (2022-11-03T14:49:02Z) - Extending Process Discovery with Model Complexity Optimization and
Cyclic States Identification: Application to Healthcare Processes [62.997667081978825]
モデル最適化のための半自動支援を実現するプロセスマイニング手法を提案する。
所望の粒度で生モデルを抽象化するモデル単純化手法が提案されている。
医療分野の異なるアプリケーションから得られた3つのデータセットを用いて、技術的ソリューションの能力を実証することを目的としている。
論文 参考訳（メタデータ） (2022-06-10T16:20:59Z) - Surrogate Modeling for Physical Systems with Preserved Properties and
Adjustable Tradeoffs [0.0]
代理モデルを生成するためのモデルベースおよびデータ駆動型戦略を提案する。
後者は、前提となる位相構造に人工的関係を組み込むことで解釈可能な代理モデルを生成する。
我々のフレームワークは、分散パラメータモデルのための様々な空間離散化スキームと互換性がある。
論文 参考訳（メタデータ） (2022-02-02T17:07:02Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳（メタデータ） (2021-07-07T11:17:09Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Structured learning of rigid-body dynamics: A survey and unified view
from a robotics perspective [5.597839822252915]
剛体力学とデータ駆動モデリング技術を組み合わせた回帰モデルについて検討した。
我々は、ニューラルネットワークやガウス過程などのデータ駆動回帰モデルと分析モデル先行モデルの組み合わせに関する統一的な見解を提供する。
論文 参考訳（メタデータ） (2020-12-11T11:26:48Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳（メタデータ） (2020-03-04T00:44:57Z)
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。