論文の概要: Adaptive Physics-Informed Neural Networks with Multi-Category Feature Engineering for Hydrogen Sorption Prediction in Clays, Shales, and Coals

• arxiv url: http://arxiv.org/abs/2509.00049v1
• Date: Sun, 24 Aug 2025 19:41:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-07 09:10:15.275778
• Title: Adaptive Physics-Informed Neural Networks with Multi-Category Feature Engineering for Hydrogen Sorption Prediction in Clays, Shales, and Coals
• Title（参考訳）: 粘土, シェール, 石炭中の水素吸蔵予測のための多カテゴリ特徴工学を用いた適応物理インフォームニューラルネットワーク
• Authors: Mohammad Nooraiepour, Mohammad Masoudi, Zezhang Song, Helge Hellevang,
• Abstract要約: 本研究では, 適応型物理インフォームドニューラルネットワーク(PINN)フレームワークを導入し, 水素吸着予測を向上する。 PINNは、アダプティブ・ロス関数とモンテカルロ・ドロップアウトにより、不確実な定量化のために最適化された、多面的な注意を伴うディープ・リザーブ・ネットワークを採用している。 このフレームワークは、粘土鉱物、シェール、石炭をまたいだ堅牢なリソロジー特性を示し、85-91%の信頼性スコアを維持している。
• 参考スコア（独自算出の注目度）: 1.5749416770494706
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate prediction of hydrogen sorption in clays, shales, and coals is vital for advancing underground hydrogen storage, natural hydrogen exploration, and radioactive waste containment. Traditional experimental methods, while foundational, are time-consuming, error-prone, and limited in capturing geological heterogeneity. This study introduces an adaptive physics-informed neural network (PINN) framework with multi-category feature engineering to enhance hydrogen sorption prediction. The framework integrates classical isotherm models with thermodynamic constraints to ensure physical consistency while leveraging deep learning flexibility. A comprehensive dataset consisting of 155 samples, which includes 50 clays, 60 shales, and 45 coals, was employed, incorporating diverse compositional properties and experimental conditions. Multi-category feature engineering across seven categories captured complex sorption dynamics. The PINN employs deep residual networks with multi-head attention, optimized via adaptive loss functions and Monte Carlo dropout for uncertainty quantification. K-fold cross-validation and hyperparameter optimization achieve significant accuracy (R2 = 0.979, RMSE = 0.045 mol per kg) with 67% faster convergence despite 15-fold increased complexity. The framework demonstrates robust lithology-specific performance across clay minerals (R2 = 0.981), shales (R2 = 0.971), and coals (R2 = 0.978), maintaining 85-91% reliability scores. Interpretability analysis via SHAP, accumulated local effects, and Friedman's H-statistics reveal that hydrogen adsorption capacity dominates predictions, while 86.7% of feature pairs exhibit strong interactions, validating the necessity of non-linear modeling approaches. This adaptive physics-informed framework accelerates site screening and enables risk-informed decision-making through robust uncertainty quantification.
• Abstract（参考訳）: 粘土, シェール, 石炭中の水素吸着の正確な予測は, 地下の水素貯蔵, 自然水素探査, 放射性廃棄物の濃縮に不可欠である。 従来の実験手法は、基本的ではあるが、時間を要する、エラーを起こし、地質学的不均一性を捉えるのに限られている。 本研究では,水素吸着予測を向上するために,多カテゴリ特徴工学を用いた適応型物理情報ニューラルネットワーク(PINN)フレームワークを提案する。 このフレームワークは古典的な等温モデルと熱力学的制約を統合し、深層学習の柔軟性を活用しながら物理的な一貫性を確保する。 50の粘土、60の頁岩、45の石炭を含む155のサンプルからなる包括的データセットを使用し、多様な組成特性と実験条件を取り入れた。 多カテゴリの特徴工学は、7つのカテゴリにまたがる複雑な吸着力学を捉えた。 PINNは、アダプティブ・ロス関数とモンテカルロ・ドロップアウトにより、不確実な定量化のために最適化された、多面的な注意を伴うディープ・リザーブ・ネットワークを採用している。 K倍のクロスバリデーションとハイパーパラメータ最適化は、15倍の複雑化にもかかわらず67%の速度で収束する(R2 = 0.979, RMSE = 0.045 mol per kg)。 このフレームワークは、粘土鉱物(R2 = 0.981)、シェール(R2 = 0.971)、石炭(R2 = 0.978)で、85-91%の信頼性スコアを維持している。 SHAP、蓄積された局所効果、およびFriedmanのH-statisticsによる解釈可能性解析により、水素吸着能力は予測を上回り、特徴対の86.7%は強い相互作用を示し、非線形モデリングアプローチの必要性を検証している。 この適応物理学インフォームドフレームワークは、サイトスクリーニングを加速し、ロバストな不確実性定量化を通じてリスクインフォームド決定を可能にする。

関連論文リスト

• Resolving Turbulent Magnetohydrodynamics: A Hybrid Operator-Diffusion Framework [0.2999888908665658]
  ハイブリッド機械学習フレームワークは、100, 250, 500, 750, 1000, 3000, 10000$で$mathrmReで高忠実度シミュレーションの包括的なアンサンブルに基づいてトレーニングされている。 極度の乱流レベルでは、磁場の高波数進化を回復できる最初のサロゲートのままである。
  論文  参考訳（メタデータ） (2025-07-02T19:33:57Z)
• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• Bridging Equilibrium and Kinetics Prediction with a Data-Weighted Neural Network Model of Methane Steam Reforming [0.0]
  運動と平衡の両方を統一できる代理モデルを示す。 運動と平衡の実験からの実験データを含む包括的なデータセットに基づいてトレーニングされた人工ニューラルネットワーク。 ネットワークが予測の連続デリバティブを提供する能力は、特にプロセスモデリングと最適化に有用である。
  論文  参考訳（メタデータ） (2025-04-15T14:55:06Z)
• A finite element-based machine learning model for hydro-mechanical analysis of swelling behavior in clay-sulfate rocks [1.9489690270805868]
  粘土-硫酸塩岩の加水-機械的挙動、特に膨らみ特性は、地球工学において重要な課題である。 本研究では,これらの複雑な地質資料の膨潤挙動を予測・解析するために,ベイズ最適化アルゴリズムで調整したハイブリッド制約機械学習(ML)モデルを提案する。 本研究は, 粘土硫酸塩岩の膨潤挙動を予測するためのモデルの有効性を実証し, 被害地域のリスク評価と管理のための堅牢なツールを提供する。
  論文  参考訳（メタデータ） (2025-01-29T10:19:18Z)
• UQ of 2D Slab Burner DNS: Surrogates, Uncertainty Propagation, and Parameter Calibration [36.136619420474766]
  本研究の目的は,2次元スラブバーナ直接数値シミュレーション(DNS)のような複雑な物理シミュレーションの完全不確実性定量化分析を行う上での課題を実証し,解決することである。 UQフレームワークは、データ駆動サロゲートモデルの開発と、燃料回帰率に対するパラメトリック不確実性の伝播を含む。 本研究では, 複雑な燃焼系における燃料の回帰速度の予測における不確かさの定量化における代理モデル選択とパラメータキャリブレーションの重要性を強調した。
  論文  参考訳（メタデータ） (2024-11-09T20:56:05Z)
• Machine-Learning Prediction of the Computed Band Gaps of Double Perovskite Materials [3.2798940914359056]
  機能性材料の電子構造の予測は新しい装置の工学に不可欠である。 本研究では,2重ペロブスカイト材料の電子構造を機械学習で予測する。 この結果は,期待できる機能材料を迅速にスクリーニングするために,機械学習による回帰の可能性を実証するという意味で重要である。
  論文  参考訳（メタデータ） (2023-01-04T08:19:18Z)
• Predictive Scale-Bridging Simulations through Active Learning [43.48102250786867]
  我々は,局所的な微粒なシミュレーションを用いて粗大な流体力学を解析するために,能動的学習手法を用いる。 提案手法は3つの課題に対処する。連続体粗大軌道の予測,大規模計算からの粗大軌道の動的更新,ニューラルネットワークモデルの不確かさの定量化である。
  論文  参考訳（メタデータ） (2022-09-20T15:58:50Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)

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。