論文の概要: Integrating Physics-Based and Data-Driven Approaches for Probabilistic Building Energy Modeling
- arxiv url: http://arxiv.org/abs/2507.17526v1
- Date: Wed, 23 Jul 2025 14:07:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-24 22:33:15.032088
- Title: Integrating Physics-Based and Data-Driven Approaches for Probabilistic Building Energy Modeling
- Title（参考訳）: 確率的建築エネルギーモデリングのための物理とデータに基づくアプローチの統合
- Authors: Leandro Von Krannichfeldt, Kristina Orehounig, Olga Fink,
- Abstract要約: 建築エネルギーモデリングは、建築エネルギーシステムの性能を最適化するための重要なツールである。
近年,両パラダイムの強みを組み合わせたハイブリッドアプローチが注目されている。
- 参考スコア（独自算出の注目度）: 5.437298646956505
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Building energy modeling is a key tool for optimizing the performance of building energy systems. Historically, a wide spectrum of methods has been explored -- ranging from conventional physics-based models to purely data-driven techniques. Recently, hybrid approaches that combine the strengths of both paradigms have gained attention. These include strategies such as learning surrogates for physics-based models, modeling residuals between simulated and observed data, fine-tuning surrogates with real-world measurements, using physics-based outputs as additional inputs for data-driven models, and integrating the physics-based output into the loss function the data-driven model. Despite this progress, two significant research gaps remain. First, most hybrid methods focus on deterministic modeling, often neglecting the inherent uncertainties caused by factors like weather fluctuations and occupant behavior. Second, there has been little systematic comparison within a probabilistic modeling framework. This study addresses these gaps by evaluating five representative hybrid approaches for probabilistic building energy modeling, focusing on quantile predictions of building thermodynamics in a real-world case study. Our results highlight two main findings. First, the performance of hybrid approaches varies across different building room types, but residual learning with a Feedforward Neural Network performs best on average. Notably, the residual approach is the only model that produces physically intuitive predictions when applied to out-of-distribution test data. Second, Quantile Conformal Prediction is an effective procedure for calibrating quantile predictions in case of indoor temperature modeling.
- Abstract（参考訳）: 建築エネルギーモデリングは、建築エネルギーシステムの性能を最適化するための重要なツールである。
歴史的に、従来の物理モデルから純粋にデータ駆動技術まで、幅広い手法が研究されてきた。
近年,両パラダイムの強みを組み合わせたハイブリッドアプローチが注目されている。
これらの戦略には、物理ベースのモデルのサロゲートの学習、シミュレーションされたデータと観測されたデータの間の残差のモデリング、実世界の測定による微調整のサロゲート、物理ベースの出力をデータ駆動モデルの追加入力として使用すること、物理ベースの出力をデータ駆動モデルの損失関数に統合することなどが含まれる。
この進歩にもかかわらず、2つの大きな研究ギャップが残っている。
第一に、ほとんどのハイブリッドな手法は決定論的モデリングに焦点を当てており、しばしば気象変動や占有行動などの要因によって引き起こされる固有の不確実性を無視している。
第二に、確率論的モデリングフレームワークにおいて、体系的な比較はほとんど行われていない。
本研究は, 建築熱力学の定量的予測に着目し, 確率的建築エネルギーモデリングのための5つの代表的なハイブリッド手法を評価することにより, これらのギャップを解消するものである。
この結果は2つの主要な発見を浮き彫りにした。
まず、ハイブリッドアプローチのパフォーマンスは、異なるビルルームタイプによって異なるが、Feedforward Neural Networkによる残差学習は、平均して最高のパフォーマンスを発揮する。
特に、残差法は、アウト・オブ・ディストリビューションテストデータに適用した場合に、物理的に直感的な予測を生成する唯一のモデルである。
第2に,室内温度モデルにおける量子等方性予測は,量子等方性予測の校正に有効な手法である。
関連論文リスト
- Hybrid Generative Modeling for Incomplete Physics: Deep Grey-Box Meets Optimal Transport [48.06072022424773]
多くの実世界の系は、方程式の欠落や未知の項にのみ記述される。
これにより、物理モデルの分布は真のデータ生成過程(DGP)とは異なる。
非完全物理モデルを強化するために, 深層グレーボックスモデルと最適輸送法を組み合わせた新しいハイブリッド生成モデルを提案する。
論文 参考訳（メタデータ） (2025-06-27T13:23:27Z) - Bayesian Surrogate Training on Multiple Data Sources: A Hybrid Modeling Strategy [1.2435663633224636]
代理訓練中にシミュレーションデータと実世界の計測データを統合するための2つの新しい手法を提案する。
第1の方法は、各データソースに対するサロゲートモデルを訓練し、予測分布を組み合わせ、第2の方法は、単一のサロゲートをトレーニングすることで、両方のデータソースを組み込む。
論文 参考訳（メタデータ） (2024-12-16T15:27:28Z) - Combining Physics-based and Data-driven Modeling for Building Energy Systems [5.437298646956505]
建築エネルギーモデリングは、建築エネルギーシステムの運用を最適化する上で重要な役割を担っている。
研究者たちは物理ベースのモデルとデータ駆動モデルとハイブリッドなアプローチを組み合わせている。
実世界のケーススタディを通じて、エネルギーモデリングにおける4つの主要なハイブリッドアプローチを評価した。
論文 参考訳（メタデータ） (2024-11-01T21:56:39Z) - On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - CoCoGen: Physically-Consistent and Conditioned Score-based Generative Models for Forward and Inverse Problems [1.0923877073891446]
この研究は生成モデルの到達範囲を物理的問題領域に拡張する。
基礎となるPDEとの整合性を促進するための効率的なアプローチを提案する。
各種物理課題におけるスコアベース生成モデルの可能性と汎用性を示す。
論文 参考訳（メタデータ） (2023-12-16T19:56:10Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳（メタデータ） (2022-06-26T10:58:41Z) - Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。
本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文 参考訳（メタデータ） (2022-02-17T07:56:46Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z) - Real-Time Model Calibration with Deep Reinforcement Learning [4.707841918805165]
本稿では,強化学習に基づくモデルパラメータ推定のための新しいフレームワークを提案する。
提案手法を2つのモデルベース診断試験ケースで実証し, 評価した。
論文 参考訳（メタデータ） (2020-06-07T00:11:42Z)
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。