論文の概要: From Data to Action: Accelerating Refinery Optimization with AI
- arxiv url: http://arxiv.org/abs/2605.15085v1
- Date: Thu, 14 May 2026 17:07:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.969845
- Title: From Data to Action: Accelerating Refinery Optimization with AI
- Title（参考訳）: データから行動へ:AIによる精製最適化の高速化
- Authors: Dániel Pfeifer, Ábrahám Papp, Tibor Bernáth, Tamás Zoltán Varga, Márk Czifra, Botond Szilágyi, Edith Alice Kovács,
- Abstract要約: リファナリー最適化は大量のデータを利用し、現代の線形プログラミング(LP)ソフトウェアで処理できる。
LP出力と一致して, 異常検出を行うツールが提案されている。
高次元データを扱うための新しい手法が提案されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Nowadays refinery optimization utilizes sheer amounts of data, which can be handled with modern Linear Programming (LP) software, but the interpreting and applying the results remains challenging. Large petrochemical companies use massive models, with hundreds of thousands of input matrix elements. The LP solution is mathematically correct, but simplifications are made in the model, and data supply errors may occur. Therefore, further insight is needed to trust the results. The LP solver does not have a memory, so additional understanding could be gained by analyzing historical data and comparing it to the current plan. As such, machine learning approaches were suggested to support decision making based on the LP solution. Among these, Anomaly Detection tools are proposed to be used in tandem with the LP output. A transformed version of the popular ECOD methodology is applied. New methods are proposed to handle high-dimensional data: choosing the most informative pairs. Then, this is used alongside two 2D Anomaly Detection algorithms, revealing several business opportunities and data supply errors in the MOL refinery scheduling and planning architecture.
- Abstract（参考訳）: 今日では、リニアプログラミング(LP)ソフトウェアで処理できる大量のデータを活用しているが、結果の解釈と適用は依然として難しい。
大規模な石油化学企業は、数十万の入力マトリックス要素を持つ巨大なモデルを使用している。
LPソリューションは数学的に正しいが、単純化はモデルで行われ、データ供給エラーが発生する可能性がある。
したがって、結果を信頼するにはさらなる洞察が必要である。
LPソルバにはメモリがないため、過去のデータを解析して現在の計画と比較することで、さらなる理解を得ることができる。
そのため、LPソリューションに基づいた意思決定を支援するために機械学習アプローチが提案された。
これらのうち、異常検出ツールはLP出力と一致して使用されることが提案されている。
一般的なECOD方法論の変換版が適用される。
高次元データを扱うための新しい手法が提案されている。
次に、2つの2次元異常検出アルゴリズムと共に使用し、MOL精錬スケジューリングおよび計画アーキテクチャにおけるいくつかのビジネス機会とデータ供給エラーを明らかにする。
関連論文リスト
- ORPilot: A Production-Oriented Agentic LLM-for-OR Tool for Optimization Modeling [0.0]
ORPilotはエージェントAIシステムで、現実世界のビジネス問題から解決可能な最適化モデルに変換する。
これは、教科書運用研究(OR)ケースよりも生産レベルのビジネス問題をターゲットにした最初の試みである。
論文 参考訳（メタデータ） (2026-05-04T15:28:10Z) - Integrated utilization of equations and small dataset in the Koopman operator: applications to forward and inverse problems [0.0]
本稿では,不明瞭な事前知識をEDMDアルゴリズムに組み込む手法を提案する。
曖昧な事前知識は、未知のパラメータを持つ基礎となる時間進化方程式に対応する。
提案手法を逆問題に適用する手法を提案する。
論文 参考訳（メタデータ） (2025-03-26T23:45:06Z) - Computation-Aware Gaussian Processes: Model Selection And Linear-Time Inference [55.150117654242706]
我々は、1.8万のデータポイントでトレーニングされた計算対応GPのモデル選択が、1つのGPU上で数時間以内に可能であることを示す。
この研究の結果、ガウス過程は、不確実性を定量化する能力を著しく妥協することなく、大規模なデータセットで訓練することができる。
論文 参考訳（メタデータ） (2024-11-01T21:11:48Z) - Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。
最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
論文 参考訳（メタデータ） (2024-10-30T17:20:10Z) - OptiBench Meets ReSocratic: Measure and Improve LLMs for Optimization Modeling [62.19438812624467]
大規模言語モデル (LLM) は数学的推論における問題解決能力を示した。
本稿では,人間可読入力と出力を用いたエンドツーエンド最適化問題のベンチマークであるOptiBenchを提案する。
論文 参考訳（メタデータ） (2024-07-13T13:27:57Z) - Minimizing Entropy to Discover Good Solutions to Recurrent Mixed Integer
Programs [0.0]
混合整数プログラミング(MIP)問題に対する現在の解法は、幅広い問題に対して良好に動作するように設計されている。
近年の研究では、機械学習(ML)をMIPソルバと統合してドメイン知識を注入し、最適性ギャップを効率的に閉じることが示されている。
本稿では、エントロピーの概念を用いて、最小限のトレーニングデータとチューニングで効率的にモデルを構築するオンラインソルバを提案する。
論文 参考訳（メタデータ） (2022-02-07T18:52:56Z) - Learning to Reformulate for Linear Programming [11.628932152805724]
本稿では,リニアプログラミング(LP)の強化学習に基づく再構成手法を提案する。
本研究では,2つの公共研究用LPデータセットと,実運用シナリオから収集した大規模LPデータセットに対して提案手法を実装した。
論文 参考訳（メタデータ） (2022-01-17T04:58:46Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳（メタデータ） (2020-08-10T06:07:52Z)
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。