論文の概要: Physics-Guided Deep Learning for Heat Pump Stress Detection: A Comprehensive Analysis on When2Heat Dataset

• arxiv url: http://arxiv.org/abs/2512.13696v1
• Date: Sun, 23 Nov 2025 18:50:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-21 14:22:08.747805
• Title: Physics-Guided Deep Learning for Heat Pump Stress Detection: A Comprehensive Analysis on When2Heat Dataset
• Title（参考訳）: 物理誘導深度学習によるヒートポンプ応力検出: When2Heat データセットの総合的解析
• Authors: Md Shahabub Alam, Md Asifuzzaman Jishan, Ayan Kumar Ghosh,
• Abstract要約: 本稿では, 熱ポンプ応力分類のための新しい物理誘導型ディープニューラルネットワーク(PG-DNN)を提案する。 この手法は、物理誘導された特徴選択とクラス定義をディープニューラルネットワークアーキテクチャと統合する。 このモデルは78.1%のテスト精度と78.5%の検証精度を達成し、ベースラインアプローチよりも大幅に改善された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Heat pump systems are critical components in modern energy-efficient buildings, yet their operational stress detection remains challenging due to complex thermodynamic interactions and limited real-world data. This paper presents a novel Physics-Guided Deep Neural Network (PG-DNN) approach for heat pump stress classification using the When2Heat dataset, containing 131,483 samples with 656 features across 26 European countries. The methodology integrates physics-guided feature selection and class definition with a deep neural network architecture featuring 5 hidden layers and dual regularization strategies. The model achieves 78.1\% test accuracy and 78.5% validation accuracy, demonstrating significant improvements over baseline approaches: +5.0% over shallow networks, +4.0% over limited feature sets, and +2.0% over single regularization strategies. Comprehensive ablation studies validate the effectiveness of physics-guided feature selection, variable thresholding for realistic class distribution, and cross-country energy pattern analysis. The proposed system provides a production-ready solution for heat pump stress detection with 181,348 parameters and 720 seconds training time on AMD Ryzen 9 7950X with RTX 4080 hardware.
• Abstract（参考訳）: ヒートポンプシステムは、現代のエネルギー効率の高い建物において重要な構成要素であるが、複雑な熱力学的相互作用と限られた実世界のデータのために、その運用上のストレス検出は依然として困難である。 本稿では,26か国で656個の特徴を持つ131,483個のサンプルを含む When2Heat データセットを用いて,新しい物理誘導型深部ニューラルネットワーク(PG-DNN)によるヒートポンプ応力分類手法を提案する。 この方法論は、物理誘導された特徴選択とクラス定義を、5つの隠れレイヤと二重正規化戦略を備えたディープニューラルネットワークアーキテクチャに統合する。 このモデルは、78.1\%のテスト精度と78.5%の検証精度を達成し、ベースラインのアプローチよりも大幅に改善された+5.0%、制限された機能セットより+4.0%、単一正規化戦略より+2.0%である。 総合的アブレーション研究は、物理誘導的特徴選択、リアルなクラス分布に対する可変しきい値設定、およびクロスカントリーエネルギーパターン解析の有効性を検証する。 提案システムは,RTX 4080ハードウェアを用いたAMD Ryzen 9 7950Xにおいて,181,348パラメータと720秒のトレーニング時間を有するヒートポンプ応力検出を実現する。

関連論文リスト

• Energy Scaling Laws for Diffusion Models: Quantifying Compute and Carbon Emissions in Image Generation [50.21021246855702]
  本稿では,計算複雑性(FLOP)に基づく拡散モデルに対するGPUエネルギー消費予測のためのKaplanスケーリング法の適用法を提案する。 提案手法は, テキストエンコーディング, 反復的復号化, 復号化コンポーネントへの拡散モデル推論を分解し, 複数の推論ステップをまたいだ繰り返し実行により, 演算の復号化がエネルギー消費を支配しているという仮説を導いた。 この結果は拡散予測の計算バウンドの性質を検証し、持続可能なAIデプロイメント計画と炭素フットプリント推定の基礎を提供する。
  論文  参考訳（メタデータ） (2025-11-21T08:12:47Z)
• TITAN: A Trajectory-Informed Technique for Adaptive Parameter Freezing in Large-Scale VQE [32.19056082853506]
  変分量子固有解法(VQE)は、量子コンピュータを用いて量子化学と材料シミュレーションを推し進める主要な候補である。 そこで我々はTitanと呼ばれる深層学習フレームワークを提案し,不活性パラメータの同定と凍結を行う。 タイタンはコンバージェンスを最大で3倍速くし、最先端のベースラインよりも40%から60%少ない回路評価を実現している。
  論文  参考訳（メタデータ） (2025-09-18T17:50:02Z)
• Adaptive Physics-Informed Neural Networks with Multi-Category Feature Engineering for Hydrogen Sorption Prediction in Clays, Shales, and Coals [1.5749416770494706]
  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。
  論文  参考訳（メタデータ） (2025-08-24T19:41:33Z)
• A Mechanism-Learning Deeply Coupled Model for Remote Sensing Retrieval of Global Land Surface Temperature [17.57893699503326]
  リモートセンシングデータから地表面温度(LST)を抽出することは、気候過程や地表面エネルギー予算を分析する上で重要である。 本稿では,単一チャネルLST検索の精度と一般化性を高めるため,メカニスティックモデリングと機械学習を統合した深い結合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-10T06:19:01Z)
• Data-driven Power Loss Identification through Physics-Based Thermal Model Backpropagation [1.9997803560872798]
  電力エレクトロニクス用のデジタルツインは、実世界の応用では直接測定が非現実的または不可能な正確な電力損失を必要とする。 本稿では,物理に基づく熱モデルとデータ駆動の手法を組み合わせることで,温度測定のみを用いて電力損失を正確に検出・補正するハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-31T18:37:14Z)
• AI-Powered Dynamic Fault Detection and Performance Assessment in Photovoltaic Systems [44.99833362998488]
  太陽光発電(PV)の断続的な性質により、電力損失は10-70%、エネルギー生産量は25%減少する。 現在の故障検出戦略はコストが高く、複雑なデータ信号プロファイルのために信頼性の低い結果が得られることが多い。 本研究では,PythonのPVlibライブラリを用いた動的損失量子化アルゴリズムを取り入れた計算モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T23:52:06Z)
• FemtoDet: An Object Detection Baseline for Energy Versus Performance Tradeoffs [27.006082622843653]
  常にオンの監視カメラのような畳み込みニューラルネットワークの視覚応用は、エネルギー制約にとって重要である。 本稿では,2つの視点からエネルギーと性能のトレードオフに到達するための検出器を設計し,ベースラインとして機能することを目的とする。
  論文  参考訳（メタデータ） (2023-01-17T06:24:08Z)
• EAutoDet: Efficient Architecture Search for Object Detection [110.99532343155073]
  EAutoDetフレームワークは、1.4GPU日でオブジェクト検出のための実用的なバックボーンとFPNアーキテクチャを検出できる。 本稿では,一方のエッジ上での候補演算の重みを共有し,それらを一つの畳み込みに集約することでカーネル再利用手法を提案する。 特に、発見されたアーキテクチャは最先端のオブジェクト検出NAS法を超越し、120 FPSで40.1 mAP、49.2 mAP、41.3 FPSをCOCOテストデブセットで達成している。
  論文  参考訳（メタデータ） (2022-03-21T05:56:12Z)
• CoDeNet: Efficient Deployment of Input-Adaptive Object Detection on Embedded FPGAs [41.43273142203345]
  FPGAの柔軟性を利用して、変形可能な畳み込みを伴う新しいオブジェクト検出パイプラインを開発する。 高効率実装では、ソリューションは毎秒26.9フレームに達し、小さなモデルサイズは0.76MBである。 我々のモデルはPascal VOCで67.1 AP50に達し、パラメータは20.9倍小さいがTiny-YOLOより10%正確である。
  論文  参考訳（メタデータ） (2020-06-12T17:56:47Z)

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。