論文の概要: Data-Driven Open-Loop Simulation for Digital-Twin Operator Decision Support in Wastewater Treatment

• arxiv url: http://arxiv.org/abs/2604.20935v1
• Date: Wed, 22 Apr 2026 12:23:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.105298
• Title: Data-Driven Open-Loop Simulation for Digital-Twin Operator Decision Support in Wastewater Treatment
• Title（参考訳）: 廃水処理におけるデジタルツイン演算子決定支援のためのデータ駆動型オープンループシミュレーション
• Authors: Gary Simethy, Daniel Ortiz Arroyo, Petar Durdevic,
• Abstract要約: CCSS-RSは、履歴状態推論と将来の制御とロールアウトを分離した、連続時間状態空間モデルである。 RMSE 0.696 と CRPS 0.349 を H=1000 で達成している。 これらの結果から,産業廃棄物処理におけるオフラインシナリオスクリーニングの実践的学習シミュレータとしてCCSS-RSが確立された。
• 参考スコア（独自算出の注目度）: 2.3895981099137535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wastewater treatment plants (WWTPs) need digital-twin-style decision support tools that can simulate plant response under prescribed control plans, tolerate irregular and missing sensing, and remain informative over 12-36 h planning horizons. Meeting these requirements with full-scale plant data remains an open engineering-AI challenge. We present CCSS-RS, a controlled continuous-time state-space model that separates historical state inference from future control and exogenous rollout. The model combines typed context encoding, gain-weighted forcing of prescribed and forecast drivers, semigroup-consistent rollouts, and Student-t plus hurdle outputs for heavy-tailed and zero-inflated WWTP sensor data. On the public Avedøre full-scale benchmark, with 906,815 timesteps, 43% missingness, and 1-20 min irregular sampling, CCSS-RS achieves RMSE 0.696 and CRPS 0.349 at H=1000 across 10,000 test windows. This reduces RMSE by 40-46% relative to Neural CDE baselines and by 31-35% relative to simplified internal variants. Four case studies using a frozen checkpoint on test data demonstrate operational value: oxygen-setpoint perturbations shift predicted ammonium by -2.3 to +1.4 over horizons 300-1000; a smoothed setpoint plan ranks first in multi-criterion screening; context-only sensor outages raise monitored-variable RMSE by at most 10%; and ammonium, nitrate, and oxygen remain more accurate than persistence throughout the rollout. These results establish CCSS-RS as a practical learned simulator for offline scenario screening in industrial wastewater treatment, complementary to mechanistic models.
• Abstract（参考訳）: 排水処理プラント (WWTPs) は、所定の制御計画の下で植物反応をシミュレートし、不規則で検知の欠如を許容し、12～36時間にわたって計画の地平線を知らせるデジタルツイン型意思決定支援ツールを必要とする。 これらの要件をフルスケールの植物データで満たすことは、依然としてオープンエンジニアリングとAIの課題である。 CCSS-RSは制御された連続時間状態空間モデルであり、将来の制御と外因性ロールアウトから歴史的状態推論を分離する。 このモデルは、タイプ付きコンテキスト符号化、所定のおよび予測ドライバの利得重み付き強制、半群一貫性のロールアウト、および重み付きおよびゼロインフレートされたWWTPセンサデータに対する学生+ハードル出力を組み合わせる。 パブリックなAvedøreのフルスケールベンチマークでは、906,815のタイムステップ、43%の欠落、1-20分の不規則サンプリングがあり、CCSS-RSは1万のテストウィンドウでH=1000でRMSE 0.696とCRPS 0.349を達成した。 これによりRMSEは、Neural CDEベースラインに対して40-46%、単純化された内部変種に対して31-35%削減される。 テストデータに凍結したチェックポイントを用いた4つのケーススタディは、アンモニウムが水平線300-1000よりも-2.3から+1.4速くなることを予測し、スムーズなセットポイント計画がマルチ基準スクリーニングで最初にランク付けされ、コンテキストのみのセンサーの停止により監視可能なRMSEが10%以上上昇し、アンモニウム、硝酸塩、酸素はロールアウトを通して持続性よりも正確であることを示した。 これらの結果から, CCSS-RSは産業排水処理におけるオフラインシナリオスクリーニングの実践的学習シミュレータとして確立され, メカニスティックモデルに補完される。

関連論文リスト

• HydroSense: A Dual-Microcontroller IoT Framework for Real-Time Multi-Parameter Water Quality Monitoring with Edge Processing and Cloud Analytics [0.0]
  HydroSenseは,6つの重要な水質パラメータを統合監視システムに統合した,革新的なモノのインターネットフレームワークである。 総実装コストは32,983 BDTで、HydroSenseは商用システムと比較して85%のコスト削減を実現している。
  論文  参考訳（メタデータ） (2026-01-29T12:04:36Z)
• Plug-and-Play Benchmarking of Reinforcement Learning Algorithms for Large-Scale Flow Control [61.155940786140455]
  強化学習(RL)は,アクティブフロー制御(AFC)において有望な結果を示した。 現在のAFCベンチマークは、外部計算流体力学(CFD)の解法に依存しており、完全には微分不可能であり、3Dとマルチエージェントのサポートが限られている。 AFCにおけるRLのための最初のスタンドアロンで完全に差別化可能なベンチマークスイートであるFluidGymを紹介する。
  論文  参考訳（メタデータ） (2026-01-21T14:13:44Z)
• HydroGEM: A Self Supervised Zero Shot Hybrid TCN Transformer Foundation Model for Continental Scale Streamflow Quality Control [2.153503585184628]
  本稿では,大陸規模のストリームフロー品質管理の基礎モデルであるHydroGEMを紹介する。 HydroGEMは2段階の訓練をしており、3,724の駅から6.03万回の事前訓練を行っている。 保持された合成試験では、検出のためのHydroGEM F1 = 0.792、既存の方法よりも36.3%改善された。
  論文  参考訳（メタデータ） (2025-12-16T05:39:26Z)
• Contrastive Deep Learning for Variant Detection in Wastewater Genomic Sequencing [0.0]
  本稿では,Vector-Quantized Variational Autoencoders (VQ-VAE) を用いた非教師付きウイルス変異検出のための包括的フレームワークを提案する。 VQ-VAEは、参照ゲノムや変異ラベルを必要とせずに、k-merトークン化配列からゲノムパターンの離散コードブックを学習する。 我々のフレームワークは、ゲノム監視のスケーラブルで解釈可能なアプローチと、公衆衛生モニタリングへの直接的な応用を提供する。
  論文  参考訳（メタデータ） (2025-12-02T19:04:05Z)
• Conformal Prediction-Driven Adaptive Sampling for Digital Twins of Water Distribution Networks [0.0]
  配水ネットワーク(WDN)のためのDigital Twins (DT)は、限られたセンサーで正確な状態推定を必要とする。 本稿では,LSTM予測と Conformal Prediction (CP) を組み合わせた適応的フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-06T09:43:34Z)
• Physics-informed Neural-operator Predictive Control for Drag Reduction in Turbulent Flows [109.99020160824553]
  乱流のモデリングと制御のための効率的な深部強化学習フレームワークを提案する。 予測制御(PC)のためのモデルベースRLであり、乱流制御のためのポリシとオブザーバモデルの両方を共同で学習する。 その結果, PINO-PCは, バルク速度レイノルズ数15,000で39.0%の抗力低下を達成し, 従来の流体制御法を32%以上上回った。
  論文  参考訳（メタデータ） (2025-10-03T00:18:26Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Transforming Observations of Ocean Temperature with a Deep Convolutional Residual Regressive Neural Network [0.0]
  海面温度(SST)は、地上の真理、リモートセンシング、ハイブリッドモデル手法を通じて測定できる、必須の気候変動である。 ここでは,20世紀後半から21世紀初頭にかけてのいくつかの技術進歩を応用して,SST監視の進展を祝福する。 本研究では, AMSR-E と MODIS を高分解能に融合させるため, 既存の水循環観測フレームワークである Flux to Flow (F2F) を開発した。 我々のニューラルネットワークアーキテクチャは、深い畳み込み残留回帰ニューラルネットワークに制約されている。
  論文  参考訳（メタデータ） (2023-06-16T17:35:11Z)
• Real-Time Model-Free Deep Reinforcement Learning for Force Control of a Series Elastic Actuator [56.11574814802912]
  最先端のロボットアプリケーションは、歩行、揚力、操作などの複雑なタスクを達成するために、閉ループ力制御を備えた連続弾性アクチュエータ(SEAs)を使用する。 モデルフリーPID制御法はSEAの非線形性により不安定になりやすい。 深層強化学習は連続制御タスクに有効なモデルレス手法であることが証明されている。
  論文  参考訳（メタデータ） (2023-04-11T00:51:47Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。