論文の概要: A Multi-Plant Machine Learning Framework for Emission Prediction, Forecasting, and Control in Cement Manufacturing

• arxiv url: http://arxiv.org/abs/2604.19903v1
• Date: Tue, 21 Apr 2026 18:26:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.745956
• Title: A Multi-Plant Machine Learning Framework for Emission Prediction, Forecasting, and Control in Cement Manufacturing
• Title（参考訳）: セメント製造における排出予測・予測・制御のための多要素機械学習フレームワーク
• Authors: Sheikh Junaid Fayaz, Nestor D. Montiel-Bohorquez, Wilson Ricardo Leal da Silva, Shashank Bishnoi, Matteo Romano, Manuele Gatti, N. M. Anoop Krishnan,
• Abstract要約: セメント生産は産業用大気汚染の最大の要因の一つであり、年間3つのNOxを排出している。 世界のセメント4工場の大規模運用データを用いた排出管理のためのデータ駆動型フレームワークを開発した。
• 参考スコア（独自算出の注目度）: 3.068491936624397
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cement production is among the largest contributors to industrial air pollution, emitting ~3 Mt NOx/year. The industry-standard mitigation approach, selective non-catalytic reduction (SNCR), exhibits low NH3 utilization efficiency, resulting in operational inefficiencies and increased reagent costs. Here, we develop a data-driven framework for emission control using large-scale operational data from four cement plants worldwide. Benchmarking nine machine learning architectures, we observe that prediction error varies ~3-5x across plants due to variation in data richness. Incorporating short-term process history nearly triples NOx prediction accuracy, revealing that NOx formation carries substantial process memory, a timescale dependence that is absent in CO and CO2. Further, we develop models that forecast NOx overshoots as early as nine minutes, providing a buffer for operational adjustments. The developed framework controls NOx formation at the source, reducing NH3 consumption in downstream SNCR. Surrogate model projections estimate a ~34-64% reduction in NOx while preserving clinker quality, corresponding to a reduction of ~290 t NOx/year and ~58,000 USD/year in NH3 savings. This work establishes a generalizable framework for data-driven emission control, offering a pathway toward low-emission operation without structural modifications or additional hardware, with potential applicability to other hard-to-abate industries such as steel, glass, and lime.
• Abstract（参考訳）: セメント生産は産業用大気汚染の最大の要因の一つであり、年間3つのNOxを排出している。 業界標準緩和アプローチである選択的非触媒還元(SNCR)は、NH3の利用効率が低く、運転効率が低下し、試薬コストが上昇する。 そこで我々は, 世界中の4つのセメント工場の大規模運転データを用いた排出管理のためのデータ駆動型フレームワークを開発した。 9つの機械学習アーキテクチャをベンチマークした結果、データ豊かさの変化により予測誤差がプラント間で3～5倍に変化することがわかった。 短期プロセス履歴を組み込むことでNOx予測精度はほぼ3倍に向上し、NOx生成がCOとCO2に欠落する時間スケール依存である相当なプロセスメモリを持つことが明らかになった。 さらに,NOxオーバーシュートを9分で予測するモデルを開発し,操作調整のためのバッファを提供する。 開発したフレームワークは、ソースでのNOx生成を制御し、下流SNCRのNH3消費を減少させる。 代理モデル予測では、NH3貯蓄の290 t NOx/年、および58,000 USD/年に相当する、クリンカーの品質を維持しながら、NOxの約34-64%の削減を推定している。 この研究は、データ駆動型エミッション制御のための一般化可能なフレームワークを確立し、構造変更やハードウェアの追加なしに低エミッション運転への道筋を提供し、鉄鋼、ガラス、ライムといった他の難燃性産業にも適用できる可能性がある。

関連論文リスト

• Lightweight ML-Based Air Quality Prediction for IoT and Embedded Applications [0.0]
  本研究では,XGBoost回帰モデルの2つの変種の有効性と効率について検討した。 完全なXGBoostモデルは両方の汚染物質に対して優れた予測精度を達成したが、小さなモデルはわずかに正確ではないが、かなりの計算上の利点をもたらした。 これにより、IoTおよび組み込みアプリケーションにおけるリアルタイムの空気品質監視に適した、小さなXGBoostモデルが実現される。
  論文  参考訳（メタデータ） (2025-11-26T19:31:20Z)
• Deep Learning-Enhanced for Amine Emission Monitoring and Performance Analysis in Industrial Carbon Capture Plants [0.6533091401094101]
  本研究では, 燃焼後炭素捕獲システムにおいて, アミン排出量の予測とモニタリングのためのデータ駆動深層学習モデルと, 主要な性能パラメータについて述べる。 放射予測のために、2-アミノ-2-メチル-1-プロパノール(AMP)とピペラジンの放射をFTIRおよびIMR-MS法で測定するモデルが設計された。 これらのモデルは99%を超える高い予測精度を達成し、安定した傾向と急激な変動の両方を効果的に追跡した。
  論文  参考訳（メタデータ） (2025-09-05T16:57:54Z)
• The Dual-use Dilemma in LLMs: Do Empowering Ethical Capacities Make a Degraded Utility? [54.18519360412294]
  大きな言語モデル(LLM)は、安全のための有害な要求を拒否することと、ユーティリティのための正当な要求を収容することのバランスをとる必要がある。 本稿では,DPO(Direct Preference Optimization)に基づくアライメントフレームワークを提案する。 我々は,DeepSeek-R1をベンチマークでテストした結果を解析し,この高い評価を得たモデルがもたらす批判的倫理的懸念を明らかにする。
  論文  参考訳（メタデータ） (2025-01-20T06:35:01Z)
• Industrial-scale Prediction of Cement Clinker Phases using Machine Learning [3.600969417368042]
  セメントの生産量は410億トンを超え、年間2.4トンのCO2を生産している。 セメント製造の伝統的なプロセスモデルは、鉱物学的相の予測能力に制限のある定常状態に限られている。 ここでは, 産業用セメントプラントからの総合的な2年間の運用データセットを利用して, プロセスデータからクリンカー鉱物学を正確に予測する機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-16T17:03:04Z)
• Taming 3DGS: High-Quality Radiance Fields with Limited Resources [50.92437599516609]
  3D Gaussian Splatting (3DGS)は、高速で解釈可能で高忠実なレンダリングで新規ビュー合成を変換した。 予算で3DGSモデルをトレーニングし、レンダリングするという課題に取り組みます。 我々は、勾配計算と属性更新のための高速で数値的に等価な解を導出する。
  論文  参考訳（メタデータ） (2024-06-21T20:44:23Z)
• Real-time high-resolution CO$_2$ geological storage prediction using nested Fourier neural operators [58.728312684306545]
  炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。 CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。 我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
  論文  参考訳（メタデータ） (2022-10-31T04:04:03Z)
• Fault-Aware Design and Training to Enhance DNNs Reliability with Zero-Overhead [67.87678914831477]
  ディープニューラルネットワーク(DNN)は、幅広い技術的進歩を可能にする。 最近の知見は、過渡的なハードウェア欠陥がモデル予測を劇的に損なう可能性があることを示唆している。 本研究では,トレーニングとモデル設計の両面で信頼性の問題に取り組むことを提案する。
  論文  参考訳（メタデータ） (2022-05-28T13:09:30Z)
• Towards Practical Lipreading with Distilled and Efficient Models [57.41253104365274]
  ニューラルネットワークの復活により、リリーディングは多くの進歩を目の当たりにした。 最近の研究は、最適なアーキテクチャを見つけるか、一般化を改善することで、パフォーマンスを改善するといった側面に重点を置いている。 現在の方法論と、実践的なシナリオにおける効果的なリップリーディングのデプロイ要件との間には、依然として大きなギャップがあります。 まず, LRW と LRW-1000 をそれぞれ 88.5% と 46.6% に比例して, 最先端の性能を高めることを提案する。
  論文  参考訳（メタデータ） (2020-07-13T16:56:27Z)

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。