論文の概要: Domain-Informed Operation Excellence of Gas Turbine System with Machine Learning
- arxiv url: http://arxiv.org/abs/2507.08697v1
- Date: Fri, 11 Jul 2025 15:50:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-14 18:03:54.408464
- Title: Domain-Informed Operation Excellence of Gas Turbine System with Machine Learning
- Title（参考訳）: 機械学習によるガスタービンシステムのドメインインフォーム運転性能
- Authors: Waqar Muhammad Ashraf, Amir H. Keshavarzzadeh, Abdulelah S. Alshehri, Abdulrahman bin Jumah, Ramit Debnath, Vivek Dua,
- Abstract要約: 火力発電所では、人工知能(AI)のドメイン一貫性は低いままである。
我々は、データ中心分析にドメイン知識を導入するために、MAhalanobis Distance-based OPTimization (MAD-OPT) フレームワークを開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The domain-consistent adoption of artificial intelligence (AI) remains low in thermal power plants due to the black-box nature of AI algorithms and low representation of domain knowledge in conventional data-centric analytics. In this paper, we develop a MAhalanobis Distance-based OPTimization (MAD-OPT) framework that incorporates the Mahalanobis distance-based constraint to introduce domain knowledge into data-centric analytics. The developed MAD-OPT framework is applied to maximize thermal efficiency and minimize turbine heat rate for a 395 MW capacity gas turbine system. We demonstrate that the MAD-OPT framework can estimate domain-informed optimal process conditions under different ambient conditions, and the optimal solutions are found to be robust as evaluated by Monte Carlo simulations. We also apply the MAD-OPT framework to estimate optimal process conditions beyond the design power generation limit of the gas turbine system, and have found comparable results with the actual data of the power plant. We demonstrate that implementing data-centric optimization analytics without incorporating domain-informed constraints may provide ineffective solutions that may not be implementable in the real operation of the gas turbine system. This research advances the integration of the data-driven domain knowledge into machine learning-powered analytics that enhances the domain-informed operation excellence and paves the way for safe AI adoption in thermal power systems.
- Abstract（参考訳）: ドメイン一貫性のある人工知能(AI)の採用は、AIアルゴリズムのブラックボックスの性質と従来のデータ中心分析におけるドメイン知識の表現の低さのため、熱発電所では依然として低いままである。
本稿では,Mahalanobis Distance-based OPTimization (MAD-OPT) フレームワークを開発した。
開発したMAD-OPTフレームワークは、395MWの容量を持つガスタービンシステムの熱効率を最大化し、タービン熱速度を最小化する。
我々は、MAD-OPTフレームワークが、異なる環境条件下でドメインインフォームドな最適プロセス条件を推定できることを実証し、モンテカルロシミュレーションにより、最適解がロバストであることを示した。
また,MAD-OPTフレームワークを用いてガスタービンの設計発電限界を超える最適プロセス条件を推定し,実データと同等の結果を得た。
本研究では, 領域情報制約を組み込まずにデータ中心の最適化分析を実装することで, ガスタービンシステムの実動作では実現できないような非効率な解が得られることを示した。
この研究は、データ駆動のドメイン知識を機械学習による分析に統合し、ドメインインフォームドオペレーションの卓越性を向上し、熱電力システムにおける安全なAI導入の道を開く。
関連論文リスト
- Domain Consistent Industrial Decarbonisation of Global Coal Power Plants [0.0]
機械学習と最適化技術(MLOPT)は、産業システムの脱炭を加速する大きな可能性を秘めている。
しかし、産業環境におけるMLOPTの実践的応用は、ドメインコンプライアンスの欠如とシステム固有の一貫性の欠如によってしばしば妨げられる。
本稿では,ドメインの専門知識とデータ駆動手法を統合したHuman-in-the-loop(HITL)制約に基づく最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-05T15:00:39Z) - Efficient Materials Informatics between Rockets and Electrons [0.0]
この論文は、超高温耐火高エントロピー合金(RHEA)を組み込んだ機能性グレード材料(FGM)の設計に焦点を当てている。
原子レベルでは、MPDDと呼ばれる450万以上の緩和された構造から機械学習(ML)に最適化されたデータエコシステムが、実験的な観察を知らせ、熱力学モデルを改善するために使用される。
結果として生じるマルチレベル発見インフラストラクチャは、既存のソリューションを探すのではなく、問題のエンコーディングに重点を置いているため、非常に一般化可能である。
論文 参考訳（メタデータ） (2024-07-05T17:03:26Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - FaIRGP: A Bayesian Energy Balance Model for Surface Temperatures
Emulation [13.745581787463962]
本稿では,エネルギー収支モデルの物理温度応答方程式を満たすデータ駆動エミュレータであるFaIRGPを紹介する。
本稿では,FaIRGPを用いて大気上層放射力の推定値を得る方法について述べる。
この研究が、気候エミュレーションにおけるデータ駆動手法の採用の拡大に寄与することを期待している。
論文 参考訳（メタデータ） (2023-07-14T08:43:36Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳（メタデータ） (2023-07-01T15:18:00Z) - When Demonstrations Meet Generative World Models: A Maximum Likelihood
Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。
タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
論文 参考訳（メタデータ） (2023-02-15T04:14:20Z) - Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。
私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-10T17:04:04Z) - Interpreting Machine Learning Models for Room Temperature Prediction in
Non-domestic Buildings [0.0]
本研究では,非住宅の室温予測を目的とした解釈可能な機械学習モデルを提案する。
提案モデルでは, 室温をリアルタイムで8時間前に正確に予測できることを実験的に実証した。
論文 参考訳（メタデータ） (2021-11-23T11:16:35Z) - Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using
Meta-Learning [64.92447072894055]
赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。
既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。
KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
論文 参考訳（メタデータ） (2021-10-07T02:28:18Z) - XAI4Wind: A Multimodal Knowledge Graph Database for Explainable Decision
Support in Operations & Maintenance of Wind Turbines [1.713291434132985]
コンディションベースのモニタリング(CBM)は、タービンの操作上の不一致や故障を監視するために風力業界で広く利用されています。
既存の研究は、運用と保守における説明可能な意思決定支援を容易にする具体的な基礎を提示していない。
XAI4Windは実世界の運転タービンにおける意思決定支援のためのマルチモーダル知識グラフである。
論文 参考訳（メタデータ） (2020-12-18T19:54:19Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。