論文の概要: Data-Driven Differential Evolution in Tire Industry Extrusion: Leveraging Surrogate Models

• arxiv url: http://arxiv.org/abs/2507.11191v1
• Date: Tue, 15 Jul 2025 10:52:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 19:46:03.08428
• Title: Data-Driven Differential Evolution in Tire Industry Extrusion: Leveraging Surrogate Models
• Title（参考訳）: タイヤ産業押出しにおけるデータ駆動微分進化:代理モデルの活用
• Authors: Eider Garate-Perez, Kerman López de Calle-Etxabe, Susana Ferreiro,
• Abstract要約: 本研究では,複雑な実世界の製造システムを最適化するためのサロゲートに基づくデータ駆動手法を提案する。 機械学習モデルは、システム挙動を近似し、サロゲートモデルを構築するために使用され、それは、調整されたメタヒューリスティックなアプローチに統合される。 以上の結果から,サロゲートに基づく最適化手法は歴史的最良構成よりも優れていた。
• 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 optimization of industrial processes remains a critical challenge, particularly when no mathematical formulation of objective functions or constraints is available. This study addresses this issue by proposing a surrogate-based, data-driven methodology for optimizing complex real-world manufacturing systems using only historical process data. Machine learning models are employed to approximate system behavior and construct surrogate models, which are integrated into a tailored metaheuristic approach: Data-Driven Differential Evolution with Multi-Level Penalty Functions and Surrogate Models, an adapted version of Differential Evolution suited to the characteristics of the studied process. The methodology is applied to an extrusion process in the tire manufacturing industry, with the goal of optimizing initialization parameters to reduce waste and production time. Results show that the surrogate-based optimization approach outperforms historical best configurations, achieving a 65\% reduction in initialization and setup time, while also significantly minimizing material waste. These findings highlight the potential of combining data-driven modeling and metaheuristic optimization for industrial processes where explicit formulations are unavailable.
• Abstract（参考訳）: 工業プロセスの最適化は、特に目的関数や制約の数学的定式化ができない場合には、依然として重要な課題である。 本研究は, 歴史的プロセスデータのみを用いて, 複雑な実世界の製造システムを最適化するためのサロゲートベースのデータ駆動手法を提案することにより, この問題に対処する。 機械学習モデルは、システム挙動を近似し、サロゲートモデルを構築するために使用され、これは調整されたメタヒューリスティックアプローチに統合される: マルチレベルペナルティ関数を用いたデータ駆動微分進化とサロゲートモデル。 この手法は, タイヤ製造業界の押出工程に適用され, 初期化パラメータを最適化し, 廃棄物や生産時間を短縮することを目的としている。 その結果,サロゲートをベースとした最適化手法は,初期化および設置時間の65%削減を達成し,材料廃棄物の大幅な最小化を実現し,歴史的最良構成よりも優れた結果が得られた。 これらの知見は、明示的な定式化が不可能な産業プロセスにおいて、データ駆動モデリングとメタヒューリスティック最適化を組み合わせる可能性を強調している。

関連論文リスト

• Learning Design-Score Manifold to Guide Diffusion Models for Offline Optimization [15.663508678977468]
  本稿では,設計スコア多様体を学習する拡散型フレームワークであるManGOを紹介する。 ManGOは、トレーニングデータ以外の一般化を実現するために、設計スコアの相互依存を全体的に統一する。 様々な領域にわたる24の単目的と10の多目的の最適化手法より優れている。
  論文  参考訳（メタデータ） (2025-06-06T02:11:10Z)
• Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
  データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。 我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。 本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
  論文  参考訳（メタデータ） (2024-05-20T09:28:23Z)
• The Artificial Neural Twin -- Process Optimization and Continual Learning in Distributed Process Chains [3.79770624632814]
  本稿では,モデル予測制御,ディープラーニング,センサネットワークの概念を組み合わせた人工ニューラルツインを提案する。 我々のアプローチでは、分散プロセスのステップの状態を推定するために、微分可能なデータ融合を導入します。 相互接続されたプロセスステップを準ニューラルネットワークとして扱うことで、プロセス最適化やモデル微調整のための損失勾配をプロセスパラメータにバックプロパゲートすることができる。
  論文  参考訳（メタデータ） (2024-03-27T08:34:39Z)
• Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [111.28605744661638]
  構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。 また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-08T22:33:14Z)
• Data-driven decision-focused surrogate modeling [10.1947610432159]
  本稿では,実時間設定における非線形最適化問題の解決を目的とした,意思決定中心の代理モデルの概念を紹介する。 提案したデータ駆動フレームワークは、決定予測エラーを最小限に抑えるためにトレーニングされた、よりシンプルな、例えば凸(convex)、代理最適化モデル(surrogate optimization model)を学ぶことを目指している。 我々は、一般的な非線形化学プロセスの最適化を含む数値実験を通して、我々の枠組みを検証する。
  論文  参考訳（メタデータ） (2023-08-23T14:23:26Z)
• Aligning Optimization Trajectories with Diffusion Models for Constrained Design Generation [17.164961143132473]
  本稿では,拡散モデルのサンプリング軌跡と従来の物理法に基づく最適化軌跡との整合性を示す学習フレームワークを提案する。 提案手法では,高コストプリプロセッシングや外部サロゲートモデル,ラベル付きデータの追加を必要とせずに,実用的で高性能な設計を2段階で生成することができる。 この結果から, TAは分布内構成における最先端の深層生成モデルより優れ, 推論計算コストを半減することがわかった。
  論文  参考訳（メタデータ） (2023-05-29T09:16:07Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
  計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。 本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
  論文  参考訳（メタデータ） (2021-07-14T17:55:28Z)
• You Only Compress Once: Optimal Data Compression for Estimating Linear Models [1.2845031126178592]
  線形モデルを用いる多くの工学システムは分散システムおよび専門家構成によって計算効率を達成します。 条件付き十分な統計は、統一されたデータ圧縮と推定戦略である。
  論文  参考訳（メタデータ） (2021-02-22T19:00:18Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)

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。