論文の概要: Topological Data Analysis combined with Machine Learning for Predicting Permeability of Porous Media
- arxiv url: http://arxiv.org/abs/2605.17581v1
- Date: Sun, 17 May 2026 18:19:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 23:51:08.383134
- Title: Topological Data Analysis combined with Machine Learning for Predicting Permeability of Porous Media
- Title（参考訳）: 多孔質媒体の透水性予測のためのトポロジカルデータ解析と機械学習
- Authors: Ebru Dagdelen, Catherin Neena Lalu, Aakash Karlekar, Manav Arora, Matthew Illingworth, Jonathan Jaquette, Linda Cummings, Lou Kondic,
- Abstract要約: 多孔質媒体の流動は、その複雑さのため、標準的な解析法や数値法で対処することが困難である。
本稿では、そのようなデータから抽出できる多くの特徴と、入力変数としての利用性を、標準的な機械学習アルゴリズムに論じる。
これらの特徴には、多孔質媒体の幾何学を記述する構造測度、接続性を記述するトポロジカル測度、多孔質媒体を単純化された多孔質ネットワークとしてモデル化したネットワーク測度が含まれる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Flow in porous media is difficult to address using standard analytical or numerical methods due to its complexity. However, since synthetic representations of porous media are easy to produce and data from physical experiments are becoming more widely available, the problem is well-suited to studies that include machine learning (ML) techniques. We discuss a number of features that can be extracted from such data, and their utility as input variables into a standard ML algorithm. These features include structural measures describing the geometry of the porous media, topological measures describing the connectivity, and network measures obtained by modeling the porous media as simplified pore networks. These features enable the prediction of the permeability of the considered (synthetic) porous materials using ML techniques that also leverage the separately computed exact permeability (ground truth). Comparing results obtained using different input variables helps develop a better understanding of the utility of various measures for predicting permeability based on the porous media structure. We show, in particular, that topological data analysis (TDA) provides a useful set of features that can be easily combined with ML to yield meaningful results.
- Abstract（参考訳）: 多孔質媒体の流動は、その複雑さのため、標準的な解析法や数値法で対処することが困難である。
しかし、多孔質媒体の合成表現は容易に作成でき、物理実験のデータもより広く利用できるようになったため、機械学習(ML)技術を含む研究に適している。
本稿では、そのようなデータから抽出できる多くの特徴と、入力変数としての利用性を、標準MLアルゴリズムに論じる。
これらの特徴には、多孔質媒体の幾何学を記述する構造測度、接続性を記述するトポロジカル測度、多孔質媒体を単純化された多孔質ネットワークとしてモデル化したネットワーク測度が含まれる。
これらの特徴は、個別に計算された正確な透過性(基底真理)を利用するML技術を用いて、考慮された(合成)多孔質材料の透過性の予測を可能にする。
異なる入力変数を用いて得られた結果を比較することで、多孔質媒体構造に基づく透過性予測のための様々な尺度の有用性をよりよく理解することができる。
特に、トポロジカルデータ解析(TDA)は、MLと簡単に組み合わせて意味のある結果を得ることのできる、有用な特徴セットを提供する。
関連論文リスト
- Scalable Learning of Multivariate Distributions via Coresets [48.02318786960811]
我々は,多変量条件変換モデル(MCTM)のための新しいコアセットの構築を行い,そのスケーラビリティと訓練効率を向上させる。
提案手法は,重要サンプリングによる大幅なデータ削減を実現する。
これまでコアセットが組み込まれてきた従来のフルパラメトリックモデルと比較して,我々の半パラメトリックアプローチは適応性の向上を示す。
論文 参考訳（メタデータ） (2026-03-20T09:28:43Z) - Mitigating loss of variance in ensemble data assimilation: machine learning-based and distance-free localization [44.99833362998488]
アンサンブルデータ同化における共分散推定を改善するための2つの新しい手法を提案する。
主な目的は、サンプリングエラーによるばらつきの損失を軽減し、データ同化結果を強化することである。
これらのメソッドは、Multiple Data Assimilation (ES-MDA)フレームワークでEnsemble Smootherに統合される。
論文 参考訳（メタデータ） (2025-06-16T11:09:27Z) - A Unified MDL-based Binning and Tensor Factorization Framework for PDF Estimation [19.747102062281545]
多変量確率密度関数推定のための新しい非パラメトリックアプローチを提案する(PDF)。
提案手法は, 共役確率テンソルの正準多進分解(CPD)を利用するテンソル分解法に基づく。
我々は,本手法が合成データおよび実生豆分類データセットに与える影響を実証した。
論文 参考訳（メタデータ） (2025-04-25T20:27:04Z) - Extrapolative ML Models for Copolymers [1.901715290314837]
機械学習モデルは、材料特性の予測に徐々に使われてきた。
これらのモデルは本質的に補間的であり、物質の既知の特性範囲外の候補を探索するための有効性は未解決である。
本稿では,MLモデルの外挿能力,トレーニングデータセットのサイズと範囲,学習アプローチとの関係について検討する。
論文 参考訳（メタデータ） (2024-09-15T11:02:01Z) - Sparse high-dimensional linear mixed modeling with a partitioned empirical Bayes ECM algorithm [41.25603565852633]
この研究は、高次元LMMに対する効率的かつ正確なベイズ的枠組みを示す。
このアプローチの斬新さは、パーティショニングとパラメータ拡張と、高速でスケーラブルな計算にある。
実世界の例では、小児のループスの研究データを用いて、新しいループスバイオマーカーに関連する遺伝子と臨床因子を特定し、時間とともにバイオマーカーを予測する。
論文 参考訳（メタデータ） (2023-10-18T19:34:56Z) - Joint machine learning analysis of muon spectroscopy data from different
materials [0.0]
我々は、主成分分析(PCA)を用いて、ミューオン分光からのデータを調べる。
PCAは教師なしの機械学習ツールであり、入力データに関する仮定は不要である。
この方法は、基礎となる物理の異なる様々な磁性材料に適用された。
論文 参考訳（メタデータ） (2021-12-17T16:21:53Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳（メタデータ） (2021-10-26T07:02:14Z) - Learning with Density Matrices and Random Features [44.98964870180375]
密度行列は、量子系の統計状態を記述する。
量子系の量子的不確実性と古典的不確実性の両方を表現することは強力な形式主義である。
本稿では,機械学習モデルのビルディングブロックとして密度行列をどのように利用できるかを検討する。
論文 参考訳（メタデータ） (2021-02-08T17:54:59Z) - Estimating informativeness of samples with Smooth Unique Information [108.25192785062367]
サンプルが最終的な重みを知らせる量と、重みによって計算される関数を知らせる量を測定します。
線形化ネットワークを用いてこれらの量の効率的な近似を行う。
本稿では,データセットの要約など,いくつかの問題に適用する。
論文 参考訳（メタデータ） (2021-01-17T10:29:29Z) - Physically interpretable machine learning algorithm on multidimensional
non-linear fields [0.0]
PCE(Polynomial Chaos Expansion)は、確率的入出力マッピングの堅牢な表現として長年使われてきた。
パターン認識やデータ圧縮にDR技術がますます使われている。
本研究の目的は,PODとPCEを組み合わせてフィールド計測に基づく予測を行うことである。
論文 参考訳（メタデータ） (2020-05-28T11:26:06Z)
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。