論文の概要: Estimating Dense-Packed Zone Height in Liquid-Liquid Separation: A Physics-Informed Neural Network Approach

• arxiv url: http://arxiv.org/abs/2601.18399v1
• Date: Mon, 26 Jan 2026 11:57:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.808331
• Title: Estimating Dense-Packed Zone Height in Liquid-Liquid Separation: A Physics-Informed Neural Network Approach
• Title（参考訳）: 液液分離における高密度帯高さの推定:物理インフォームドニューラルネットワークによるアプローチ
• Authors: Mehmet Velioglu, Song Zhai, Alexander Mitsos, Adel Mhamdi, Andreas Jupke, Manuel Dahmen,
• Abstract要約: 重力開拓地における液体-液体分散の分離は、化学、医薬品、リサイクルプロセスにおいて重要である。 密集したゾーンの高さは重要な性能と安全性の指標であるが、しばしば高価であり、測定することができない。 安価な体積流量測定のみを用いて位相高さを推定することを提案する。
• 参考スコア（独自算出の注目度）: 35.66975292316149
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Separating liquid-liquid dispersions in gravity settlers is critical in chemical, pharmaceutical, and recycling processes. The dense-packed zone height is an important performance and safety indicator but it is often expensive and impractical to measure due to optical limitations. We propose to estimate phase heights using only inexpensive volume flow measurements. To this end, a physics-informed neural network (PINN) is first pretrained on synthetic data and physics equations derived from a low-fidelity (approximate) mechanistic model to reduce the need for extensive experimental data. While the mechanistic model is used to generate synthetic training data, only volume balance equations are used in the PINN, since the integration of submodels describing droplet coalescence and sedimentation into the PINN would be computationally prohibitive. The pretrained PINN is then fine-tuned with scarce experimental data to capture the actual dynamics of the separator. We then employ the differentiable PINN as a predictive model in an Extended Kalman Filter inspired state estimation framework, enabling the phase heights to be tracked and updated from flow-rate measurements. We first test the two-stage trained PINN by forward simulation from a known initial state against the mechanistic model and a non-pretrained PINN. We then evaluate phase height estimation performance with the filter, comparing the two-stage trained PINN with a two-stage trained purely data-driven neural network. All model types are trained and evaluated using ensembles to account for model parameter uncertainty. In all evaluations, the two-stage trained PINN yields the most accurate phase-height estimates.
• Abstract（参考訳）: 重力開拓地における液体-液体分散の分離は、化学、医薬品、リサイクルプロセスにおいて重要である。 密封されたゾーンの高さは、重要な性能と安全性の指標であるが、光学的制限のため、しばしば高価で非現実的な測定である。 安価な体積流量測定のみを用いて位相高さを推定することを提案する。 この目的のために、物理インフォームドニューラルネットワーク(PINN)は、まず、低忠実(近似)力学モデルから導出される合成データと物理方程式に基づいて事前訓練され、広範な実験データの必要性が軽減される。 メカニスティックモデルは人工的なトレーニングデータを生成するのに使用されるが、PINNでは容積バランス方程式のみが用いられる。 事前訓練されたPINNは、実験データが少ない状態で微調整され、セパレータの実際のダイナミクスをキャプチャする。 次に、拡張カルマンフィルタによる状態推定フレームワークにおいて、微分可能なPINNを予測モデルとして使用し、フローレート測定から位相高さの追跡と更新を可能にする。 まず,2段階学習型PINNを,既知初期状態と非事前学習型PINNに対して前方シミュレーションにより試験した。 次に,2段階のトレーニング済みPINNと2段階のトレーニング済み純粋データ駆動ニューラルネットワークを比較し,位相高さ推定性能をフィルタと比較した。 全てのモデルタイプは、モデルパラメータの不確実性を考慮するためにアンサンブルを使用して訓練され、評価される。 全ての評価において、2段階の訓練されたPINNは最も正確な位相高さの推定値を得る。

関連論文リスト

• WellPINN: Accurate Well Representation for Transient Fluid Pressure Diffusion in Subsurface Reservoirs with Physics-Informed Neural Networks [0.0]
  WellPINNは、複数の逐次訓練されたPINNモデルの出力を組み合わせて、ウェルを正確に表現するモデリングワークフローである。 以上の結果から,揚水場周辺におけるスーパーインポージングネットワークの逐次トレーニングが,揚水率の正確な推算に焦点をあてた最初のワークフローであることが示唆された。
  論文  参考訳（メタデータ） (2025-07-12T16:14:03Z)
• Initial Model Incorporation for Deep Learning FWI: Pretraining or Denormalization? [7.032076746858836]
  地下特性ニューラルネットワークによるフルウェーブフォームインバージョン (FWI) が, 効果的な教師なし学習フレームワークとして登場した。 地下モデルを直接微調整する代わりに、トレーニング可能なニューラルネットワークパラメータを更新する。 トレーニングはまず、初期速度モデルに適合させることで、ニューラルネットワークのパラメータを規制する。 正規化の非正規化は、ネットワークの出力を直接事前訓練せずに初期モデルに追加する。
  論文  参考訳（メタデータ） (2025-06-05T18:06:37Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化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） (2023-01-19T20:04:36Z)
• 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)
• Estimating permeability of 3D micro-CT images by physics-informed CNNs based on DNS [1.6274397329511197]
  本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。 透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。 その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
  論文  参考訳（メタデータ） (2021-09-04T08:43:19Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Physics-aware deep neural networks for surrogate modeling of turbulent natural convection [0.0]
  Rayleigh-B'enard乱流流に対するPINNのサーロゲートモデルの使用を検討する。 標準ピンの精度が低いゾーンであるトレーニング境界に近い正規化として、どのように機能するかを示す。 50億のDNS座標全体のサロゲートの予測精度は、相対的なL2ノルムで[0.3% -- 4%]の範囲のすべてのフロー変数のエラーをもたらします。
  論文  参考訳（メタデータ） (2021-03-05T09:48:57Z)
• HYDRA: Hypergradient Data Relevance Analysis for Interpreting Deep Neural Networks [63.02441733983715]
  本稿では、深層ニューラルネットワーク(DNN)による予測をトレーニングデータの効果として解釈する高次データ関連分析(HYDRA)を提案する。 HYDRAは、トレーニング軌跡全体を通して、テストデータポイントに対するトレーニングデータの貢献を評価する。 さらに,HyDRAは,データのコントリビューションを正確に推定し,ノイズのあるデータラベルを検出することで,影響関数よりも優れていることを定量的に示す。
  論文  参考訳（メタデータ） (2021-02-04T10:00:13Z)
• Transfer Learning with Convolutional Networks for Atmospheric Parameter Retrieval [14.131127382785973]
  MetOp衛星シリーズに搭載された赤外線音波干渉計(IASI)は、数値気象予測(NWP)に重要な測定値を提供する IASIが提供する生データから正確な大気パラメータを取得することは大きな課題であるが、NWPモデルでデータを使用するには必要である。 本研究では,iasiデータから抽出した特徴を,低い高度で異なる物理変数を予測するように設計された別の統計手法への入力として使用できることを示す。
  論文  参考訳（メタデータ） (2020-12-09T09:28:42Z)

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。