論文の概要: Fusion-Based Neural Generalization for Predicting Temperature Fields in Industrial PET Preform Heating

• arxiv url: http://arxiv.org/abs/2510.05394v1
• Date: Mon, 06 Oct 2025 21:38:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:07.999075
• Title: Fusion-Based Neural Generalization for Predicting Temperature Fields in Industrial PET Preform Heating
• Title（参考訳）: 工業用PETプリフォーム加熱における温度場予測のための核融合型ニューラルネットワークの一般化
• Authors: Ahmad Alsheikh, Andreas Fischer,
• Abstract要約: 一般化温度予測のための新しいディープラーニングフレームワークを提案する。 各材料や設計のバリエーションに対して広範なリトレーニングを必要とする従来のモデルとは異なり、本手法ではデータ効率のよいニューラルアーキテクチャを導入している。 提案手法は,スクラッチからトレーニングしたモデルと比較して,大規模なシミュレーションデータセットの必要性を低減し,優れた性能を実現する。
• 参考スコア（独自算出の注目度）: 0.4337994560632144
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and efficient temperature prediction is critical for optimizing the preheating process of PET preforms in industrial microwave systems prior to blow molding. We propose a novel deep learning framework for generalized temperature prediction. Unlike traditional models that require extensive retraining for each material or design variation, our method introduces a data-efficient neural architecture that leverages transfer learning and model fusion to generalize across unseen scenarios. By pretraining specialized neural regressor on distinct conditions such as recycled PET heat capacities or varying preform geometries and integrating their representations into a unified global model, we create a system capable of learning shared thermal dynamics across heterogeneous inputs. The architecture incorporates skip connections to enhance stability and prediction accuracy. Our approach reduces the need for large simulation datasets while achieving superior performance compared to models trained from scratch. Experimental validation on two case studies material variability and geometric diversity demonstrates significant improvements in generalization, establishing a scalable ML-based solution for intelligent thermal control in manufacturing environments. Moreover, the approach highlights how data-efficient generalization strategies can extend to other industrial applications involving complex physical modeling with limited data.
• Abstract（参考訳）: 産業用マイクロ波システムにおけるPETプリフォームの爆発成形前の予熱過程の最適化には,高精度で効率的な温度予測が重要である。 一般化温度予測のための新しいディープラーニングフレームワークを提案する。 各素材や設計のバリエーションに対して広範な再トレーニングを必要とする従来のモデルとは異なり、我々の手法は、トランスファーラーニングとモデル融合を利用して、目に見えないシナリオを一般化する、データ効率のよいニューラルアーキテクチャを導入している。 PET熱容量のリサイクルや各種プリフォームジオメトリなどの異なる条件下での神経回帰器の事前訓練を行い,その表現を統一的グローバルモデルに統合することにより,異種入力の共有熱力学を学習できるシステムを構築する。 アーキテクチャにはスキップ接続が組み込まれ、安定性と予測精度が向上する。 提案手法は,スクラッチからトレーニングしたモデルと比較して,大規模なシミュレーションデータセットの必要性を低減し,優れた性能を実現する。 材料変数と幾何学的多様性の2つのケーススタディに対する実験的検証は、製造環境におけるインテリジェントな熱制御のためのスケーラブルなMLベースのソリューションを確立することにより、一般化の大幅な改善を示す。 さらに、この手法はデータ効率のよい一般化戦略が、限られたデータを含む複雑な物理モデリングを含む他の産業アプリケーションにどのように拡張できるかを強調している。

関連論文リスト

• Process-Informed Forecasting of Complex Thermal Dynamics in Pharmaceutical Manufacturing [3.6138260410017797]
  医薬液化における温度に対するプロセスインフォームド予測(PIF)モデルを導入する。 PIFモデルは、正確性、物理的妥当性、耐雑音性の観点から、データ駆動モデルよりも優れています。
  論文  参考訳（メタデータ） (2025-09-24T17:42:00Z)
• Few-Shot Learning by Explicit Physics Integration: An Application to Groundwater Heat Transport [41.94295877935867]
  ローカルGlobal Convolutional Neural Network (LGCNN) アプローチが導入された。 モデルはまずランダムな入力場に基づいて系統的に解析される。 そして、このモデルは、ドイツのミュンヘン地域の現実世界の古典地図から、いくつかのカットアウトで訓練される。
  論文  参考訳（メタデータ） (2025-07-08T15:06:15Z)
• PIGPVAE: Physics-Informed Gaussian Process Variational Autoencoders [42.8983261737774]
  本稿では,物理制約を組み込んでデータから学習し,性能を向上させる新しい生成モデルを提案する。 生成過程に物理モデルを組み込むことで、VAEアーキテクチャを拡張し、基礎となるダイナミクスをより効果的に捉えることができる。 我々はPIGPVAEが観測された分布を超えて現実的なサンプルを作成できることを示した。
  論文  参考訳（メタデータ） (2025-05-25T21:12:01Z)
• Partially stochastic deep learning with uncertainty quantification for model predictive heating control [0.0]
  建物固有の室内温度モデリングのための部分深層学習(DL)アーキテクチャを提案する。 DLアーキテクチャは、MPC溶液の加熱における熱的快適性とエネルギー効率を向上させる重要な可能性を示している。 この研究は、特に様々な気象条件下での熱的挙動に関する包括的なデータセットを持つ建物において、MPCの加熱を前進させる。
  論文  参考訳（メタデータ） (2025-04-04T11:07:23Z)
• Optimizing Temperature for Language Models with Multi-Sample Inference [47.14991144052361]
  本稿では,異なる大言語モデルに対する(近傍)最適温度の自動同定という課題に対処する。 モデルアーキテクチャ、データセット、タスクタイプ、モデルサイズ、予測精度の変動を考慮して、性能最適化における温度の役割を総合的に分析する。 本稿では,温度自動最適化のためのエントロピーに基づく新しい計量法を提案する。
  論文  参考訳（メタデータ） (2025-02-07T19:35:25Z)
• 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)
• Enhancing Indoor Temperature Forecasting through Synthetic Data in Low-Data Environments [42.8983261737774]
  合成データ生成のためのSoTA AI を用いたデータ拡張手法の有効性について検討する。 そこで本研究では,実データと合成データの融合戦略を探求し,予測モデルの改善を図る。
  論文  参考訳（メタデータ） (2024-06-07T12:36:31Z)
• Deep encoder-decoder hierarchical convolutional neural networks for conjugate heat transfer surrogate modeling [0.0]
  共役熱伝達(CHT)解析は多くのエネルギー系の設計に不可欠である。 高忠実CHT数値シミュレーションは計算集約的である。 我々は,CHT解析のためのモジュール型ディープエンコーダ・デコーダ階層型畳み込みニューラルネットワーク(DeepEDH)を開発した。
  論文  参考訳（メタデータ） (2023-11-24T21:45:11Z)
• Application of Zone Method based Physics-Informed Neural Networks in Reheating Furnaces [25.031487600209346]
  ファウンデーション・インダストリーズ(FIs)はガラス、金属、セメント、セラミックス、バルク化学、紙、鋼などを構成する。 FIの製造チェーン内の再加熱炉はエネルギー集約的である。 再加熱炉の地下温度の正確なリアルタイム予測は、全体の加熱時間を短縮する可能性がある。 本稿では,新しいエネルギーベース正規化器を用いた物理知識を取り入れた物理インフォームドニューラルネットワーク(PINN)を提案する。
  論文  参考訳（メタデータ） (2023-08-30T15:26:35Z)
• Capturing Local Temperature Evolution during Additive Manufacturing through Fourier Neural Operators [0.0]
  本稿では, 加法製造過程における局所的な温度変化を捉えたデータ駆動モデルを提案する。 直接エネルギー沈着過程における不連続なガレルキン有限要素法に基づく数値シミュレーションで検証した。 その結果、このモデルはR2$で測定された高忠実度を実現し、トレーニングプロセスに含まれていない測地に対する一般化性を維持した。
  論文  参考訳（メタデータ） (2023-07-04T16:17:59Z)

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。