論文の概要: Hybrid Physics-ML Model for Forward Osmosis Flux with Complete Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2512.10457v1
• Date: Thu, 11 Dec 2025 09:27:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.302389
• Title: Hybrid Physics-ML Model for Forward Osmosis Flux with Complete Uncertainty Quantification
• Title（参考訳）: 完全不確実性量子化による前向き浸透流束のハイブリッド物理-MLモデル
• Authors: Shiv Ratn, Shivang Rampriyan, Bahni Ray,
• Abstract要約: 本稿では,ガウス過程回帰(GPR)を用いたロバストハイブリッド物理-MLフレームワークを提案する。 我々は、詳細な非線形FO物理モデル予測(Jw_physical)と実験水流束(Jw_actual)の間の残留誤差に基づいてGPRを訓練する。 120のデータポイントでトレーニングされたこのモデルは、最先端の平均絶対パーセンテージエラー(MAPE)を0.26%、独立したテストデータ上でR2を0.999で達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forward Osmosis (FO) is a promising low-energy membrane separation technology, but challenges in accurately modelling its water flux (Jw) persist due to complex internal mass transfer phenomena. Traditional mechanistic models struggle with empirical parameter variability, while purely data-driven models lack physical consistency and rigorous uncertainty quantification (UQ). This study introduces a novel Robust Hybrid Physics-ML framework employing Gaussian Process Regression (GPR) for highly accurate, uncertainty-aware Jw prediction. The core innovation lies in training the GPR on the residual error between the detailed, non-linear FO physical model prediction (Jw_physical) and the experimental water flux (Jw_actual). Crucially, we implement a full UQ methodology by decomposing the total predictive variance (sigma2_total) into model uncertainty (epistemic, from GPR's posterior variance) and input uncertainty (aleatoric, analytically propagated via the Delta method for multi-variate correlated inputs). Leveraging the inherent strength of GPR in low-data regimes, the model, trained on a meagre 120 data points, achieved a state-of-the-art Mean Absolute Percentage Error (MAPE) of 0.26% and an R2 of 0.999 on the independent test data, validating a truly robust and reliable surrogate model for advanced FO process optimization and digital twin development.
• Abstract（参考訳）: フォワード浸透症(FO)は有望な低エネルギー膜分離技術であるが、複雑な内部物質移動現象のために水流束(Jw)を正確にモデル化することは困難である。 伝統的な力学モデルは経験的パラメータの変動に苦しむが、純粋にデータ駆動モデルは物理的整合性や厳密な不確実性定量化(UQ)に欠ける。 本稿では,ガウス過程回帰(GPR)を用いたロバストハイブリッド物理-MLフレームワークを提案する。 中心となるイノベーションは、詳細な非線形FO物理モデル予測(Jw_physical)と実験水流束(Jw_actual)の間の残差に関するGPRのトレーニングである。 重要な点として,総予測分散(sigma2_total)をモデル不確実性(GPRの後方分散から独立性)と入力不確実性(多変量相関入力に対してデルタ法を介して解析的に伝播)に分解することで,完全なUQ手法を実装した。 低データ体制におけるGPRの本質的な強みを生かし、120個のデータポイントでトレーニングしたこのモデルは、最先端のFOプロセス最適化とデジタルツイン開発のための真に堅牢で信頼性の高いサロゲートモデルを検証し、独立テストデータに対して0.26%、0.999のMAPE(Mean Absolute Percentage Error)を達成した。

関連論文リスト

• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Online high-precision prediction method for injection molding product weight by integrating time series/non-time series mixed features and feature attention mechanism [3.5881814709064934]
  本研究では,MFA-ANN(Mixed Feature attention-artificial Neural Network)モデルを提案する。 その結果, MFA-ANN モデルでは 0.5g の重量変動耐性を持つ 0.0281 のRMSE が達成され, 従来のベンチマークより優れていた。
  論文  参考訳（メタデータ） (2025-06-23T08:40:50Z)
• Quantification of total uncertainty in the physics-informed reconstruction of CVSim-6 physiology [1.6874375111244329]
  本研究では,MC X-TFCを模擬した微分系の状態とパラメータの推定における総不確かさの分解について検討した。 MC X-TFCは、ヒト生理学の文脈で開発された6成分の固形ODEであるCVSim-6モデルに適用される。
  論文  参考訳（メタデータ） (2024-08-13T21:10:39Z)
• DiffHybrid-UQ: Uncertainty Quantification for Differentiable Hybrid Neural Modeling [4.76185521514135]
  本稿では,ハイブリッドニューラル微分可能モデルにおける有効かつ効率的な不確実性伝播と推定のための新しい手法DiffHybrid-UQを提案する。 具体的には,データノイズとてんかんの不確かさから生じるアレタリック不確かさと,モデル形状の相違やデータ空間のばらつきから生じるエピステマティック不確かさの両方を効果的に識別し,定量化する。
  論文  参考訳（メタデータ） (2023-12-30T07:40:47Z)
• Ensemble models outperform single model uncertainties and predictions for operator-learning of hypersonic flows [43.148818844265236]
  限られた高忠実度データに基づく科学機械学習(SciML)モデルのトレーニングは、これまで見たことのない状況に対する行動の迅速な予測に1つのアプローチを提供する。 高忠実度データは、探索されていない入力空間におけるSciMLモデルのすべての出力を検証するために、それ自体が限られた量である。 我々は3つの異なる不確実性メカニズムを用いてDeepONetを拡張した。
  論文  参考訳（メタデータ） (2023-10-31T18:07:29Z)
• Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
  単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。 本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。 新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
  論文  参考訳（メタデータ） (2023-07-19T12:11:15Z)
• 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)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)

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。