論文の概要: Physics-based Digital Twins for Integrated Thermal Energy Systems Using Active Learning

• arxiv url: http://arxiv.org/abs/2605.06756v1
• Date: Thu, 07 May 2026 16:26:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.514698
• Title: Physics-based Digital Twins for Integrated Thermal Energy Systems Using Active Learning
• Title（参考訳）: アクティブラーニングを用いた統合熱エネルギーシステムのための物理ベースディジタルツイン
• Abstract要約: 熱エネルギー分配システムのリアルタイム監視制御には、正確で、解釈可能で、不確実性を認識したデジタルツインが必要である。 本研究は,4つの単純な物理インフォームドおよびデータ駆動サロゲートモデリングアプローチと,システムレベルのModelicaシミュレーションを結合するアクティブラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.1259953341639576
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Real-time supervisory control of thermal energy distribution systems requires digital twins that are accurate, interpretable, and uncertainty-aware, yet remain data and computationally efficient. High-fidelity simulations alone are costly, while purely data-driven surrogates often lack robustness. To address these challenges, this work proposes an active learning (AL) framework that couples system-level Modelica simulations with four simpler physics-informed and data-driven surrogate modeling approaches: deterministic Sparse Identification of Nonlinear Dynamics with Control (SINDyC), its probabilistic multivariate-Gaussian extension (MvG-SINDyC), feedforward neural network (FNN), and gated recurrent unit (GRU) network. Tailored to each surrogate, model-specific AL query strategies are employed, including Mahalanobis-distance sampling in coefficient space for MvG-SINDyC and error-based sampling in prediction space for SINDyC, FNN, and GRU, allowing the learning process to prioritize dynamically informative trajectories. The proposed approach is demonstrated on the glycol heat exchanger (GHX) subsystem of the Thermal Energy Distribution System (TEDS) at Idaho National Laboratory. Across key GHX outputs--the bypass mass flow rate $\dot{m}_{\mathrm{GHX}}$ and heat transfer rate $Q_{\mathrm{GHX}}$-the AL framework achieves comparable predictive accuracy using as few as one-fifth of the simulation trajectories required by random sampling. Among the evaluated surrogates, the GRU achieves the highest predictive fidelity, while SINDyC remains the most computationally efficient and interpretable. The probabilistic MvG-SINDyC surrogate further enables uncertainty quantification and exhibits the largest computational gains under AL.
• Abstract（参考訳）: 熱エネルギー分布システムのリアルタイム監視制御には、正確で、解釈可能で、不確実性を意識したデジタルツインが必要であるが、それでもデータと計算効率は保たれている。 高忠実度シミュレーションだけでもコストがかかるが、純粋なデータ駆動サロゲートは堅牢性に欠けることが多い。 これらの課題に対処するため、本研究では、システムレベルのモデルニカシミュレーションを4つの単純な物理情報とデータ駆動サロゲートモデリングアプローチに結合するアクティブラーニング(AL)フレームワークを提案する:決定論的スパース制御による非線形ダイナミクスの同定(SINDyC)、確率論的多変量ガウス拡張(MvG-SINDyC)、フィードフォワードニューラルネットワーク(FNN)、ゲートリカレントユニット(GRU)ネットワーク。 MvG-SINDyCの係数空間におけるマハラノビス距離サンプリングや、SINDyC、FNN、GRUの予測空間におけるエラーベースのサンプリングなど、モデル固有のALクエリ戦略が採用され、学習プロセスが動的に情報トラジェクトリを優先することができる。 提案手法は, アイダホ国立研究所の熱エネルギー分配システム (TEDS) のグリコール熱交換器 (GHX) サブシステム上で実証された。 Across key GHX outputs-- the bypass mass flow rate $\dot{m}_{\mathrm{GHX}}$ and heat transfer rate $Q_{\mathrm{GHX}}$-the AL frameworkは、ランダムサンプリングで必要とされるシミュレーション軌跡の5分の1しか必要とせず、同等の予測精度を達成する。 評価されたサロゲートのうち、GRUは最も高い予測忠実性を達成する一方、SINDyCは最も計算効率が高く解釈可能である。 確率論的MvG-SINDyCサロゲートはさらに不確実な定量化を可能にし、ALの下で最大の計算ゲインを示す。

関連論文リスト

• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• Kastor: An efficient fine-tuning strategy for generative emulation of PDE simulations [14.561544063927228]
  本稿では,決定論的物理基礎モデルを高効率かつ高精度な生成サロゲートに適応するための包括的方法論を提案する。 まず,大規模な因果的自己回帰モデルと非因果的時間的超解像ネットワークを組み合わせた2段階推論手法を提案する。 第2に,Nullノイズ条件下での定性分布平均を予測するために生成モデルを制約する新たな学習目標である平均予測正則化(MPR)を提案する。
  論文  参考訳（メタデータ） (2026-08-06T14:41:11Z)
• Advances in Scientific Machine Learning for Coupled Fluid Flow and Transport [0.0]
  本章では,流体流動と輸送現象をモデル化するためのSciML(SciML)の進歩についてレビューする。 この章では、効率的な代理モデルを構築するための最先端のSciML手法を調査している。 SciMLは複雑な結合システムの高速かつ正確な近似を可能にする。
  論文  参考訳（メタデータ） (2026-06-17T20:02:13Z)
• Physically Constrained Ensemble Gaussian Process Modelling for Expensive Quantum Systems with Heteroskedastic Noise [0.9786690381850356]
  本稿では,複雑でノイズの多い量子システムを効率的にモデル化する物理制約付きアンサンブルガウス過程(pc-EGP)フレームワークを提案する。 従来のGPと比較して、pc-EGPは精度と物理的に意味のある予測のバランスが良くなる。
  論文  参考訳（メタデータ） (2026-05-29T19:14:11Z)
• Reframing Generative Models for Physical Systems using Stochastic Interpolants [45.16806809746592]
  生成モデルは物理系の強力なサロゲートとして現れ、精度、安定性、および/または統計的忠実度が向上した。 ほとんどのアプローチは、PDEや気候などの力学系における自己回帰予測タスクにおいて、最も効果的でない選択であるガウシアンを反復的に飾ることに依存している。 本研究では,様々な物理領域やタスクにまたがる生成モデルをベンチマークし,補間剤の役割を強調した。
  論文  参考訳（メタデータ） (2025-09-30T14:02:00Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Gaussian process surrogate model to approximate power grid simulators -- An application to the certification of a congestion management controller [2.1485350418225244]
  電力グリッドのデジタル化により、物理方程式はネットワークの振舞いを記述するのに不十分になる。 多数のシナリオをシミュレートする安全性検証のような数値実験は、計算的に難解になる。 一般的な解決策は、シミュレータのサロゲートモデルを機械学習(ML)で学習し、高速で評価可能なサロゲートモデルで直接実験を実行することである。
  論文  参考訳（メタデータ） (2025-02-28T18:10:52Z)
• Operational risk quantification of power grids using graph neural network surrogates of the DC OPF [4.6289929100615]
  電力グリッド動作におけるモンテカルロ(MC)に基づくリスク定量化のための直流OPFサロゲートモデリングフレームワークを開発した。 GNNサロゲートは(バスレベル、ブランチレベル、システムレベル)グリッド状態を予測するのに十分正確である。 本稿では,GNNをベースとしたサロゲートを用いた実世界の電力網における高速信頼性とリスク定量化のためのツールを開発する。
  論文  参考訳（メタデータ） (2023-11-07T02:16:50Z)
• NAG-GS: Semi-Implicit, Accelerated and Robust Stochastic Optimizer [45.47667026025716]
  2つの重要な要素に依存した、新しく、堅牢で、加速された反復を提案する。 NAG-GSと呼ばれる手法の収束と安定性は、まず広範に研究されている。 我々は、NAG-arityが、重量減衰を伴う運動量SGDや機械学習モデルのトレーニングのためのAdamWといった最先端の手法と競合していることを示す。
  論文  参考訳（メタデータ） (2022-09-29T16:54:53Z)
• 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)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)
• GINNs: Graph-Informed Neural Networks for Multiscale Physics [1.1470070927586016]
  Graph-Informed Neural Network (GINN)は、ディープラーニングと確率的グラフィカルモデル(PGM)を組み合わせたハイブリッドアプローチである。 GINNは、厳密な信頼区間を持つ関連する非ガウスススキュードQoIのカーネル密度推定を生成する。
  論文  参考訳（メタデータ） (2020-06-26T05:47:45Z)

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。