論文の概要: Bayesian Optimization of a Multi-Product Chemical Reactor Using Composite Models and Partial Physics Knowledge

• arxiv url: http://arxiv.org/abs/2606.08611v1
• Date: Sun, 07 Jun 2026 12:49:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.298332
• Title: Bayesian Optimization of a Multi-Product Chemical Reactor Using Composite Models and Partial Physics Knowledge
• Title（参考訳）: 複合モデルと部分物理知識を用いた多生産化学反応器のベイズ最適化
• Authors: Liqiu Dong, Marta Zagórowska, Mehmet Mercangöz,
• Abstract要約: 生成物濃度や反応器温度など,ガウス過程(GP)モデルが物理的に有意な出力を予測する合成式を用いる。 これにより、経済目標の構造を保ち、再トレーニングを必要とせずに価格の変動をパラメトリックにし、利用可能なエネルギー収支に対して候補となる運用ポイントをチェックできる。 取得関数は、GP予測出力と候補入力に代えて得られる大きなエネルギーバランスミスマッチを、利用可能な定常エネルギーバランスに罰する。
• 参考スコア（独自算出の注目度）: 0.764671395172401
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We study data-driven real-time economic optimization of a multi-product chemical reactor when no reliable first-principles model is available beyond a steady-state energy balance. Instead of learning the economic objective directly as a black-box function, we use a composite formulation in which Gaussian process (GP) models predict physically meaningful outputs, including product concentrations and reactor temperature, while profit is computed analytically from these predictions together with raw-material, product, and utility prices. This preserves the structure of the economic objective, makes it parametric in changing prices without needing retraining, and allows candidate operating points to be checked against the available energy balance through a physics residual. The GPs also provide predictive uncertainty, which is exploited in a Bayesian optimization (BO) framework both for data-efficient exploration and for conservative enforcement of the reactor temperature constraint through an upper confidence bound. The acquisition function additionally penalizes large energy-balance mismatch obtained by substituting the GP-predicted outputs and candidate inputs into the available steady-state energy balance. The approach is demonstrated on a benchmark simulation of a non-isothermal multi-product reactor. Relative to a trust-region safe BO implementation, the proposed method achieves better simulated economic performance within the available iteration budget. Relative to a purely data-driven BO approach that does not use the available physics information, it avoids reactor temperature constraint violations.
• Abstract（参考訳）: 安定状態のエネルギー収支を超えて信頼性の高い第一原理モデルが利用できない場合、多産物化学反応器のデータ駆動型リアルタイム経済最適化について検討する。 ブラックボックス関数として経済目的を直接学習する代わりに、ガウス過程(GP)モデルが製品濃度や原子炉温度を含む物理的に有意な出力を予測し、これらの予測から利益を原材料、製品、ユーティリティ価格とともに分析的に計算する合成定式化を用いる。 これは、経済目標の構造を保ち、再トレーニングを必要とせずに価格の変動をパラメトリックにし、物理残高を通じて利用可能なエネルギー収支に対して、候補となる運用ポイントをチェックできるようにする。 GPは予測の不確実性も提供しており、これはベイズ最適化(BO)フレームワークでデータ効率の高い探索と、高信頼境界を通した原子炉温度制限の保守的な実施の両方に活用されている。 取得関数は、GP予測出力と候補入力に代えて得られる大きなエネルギーバランスミスマッチを、利用可能な定常エネルギーバランスに罰する。 この手法は非等温多生成反応器のベンチマークシミュレーションで実証された。 信頼性領域安全なBO実装と比較して,提案手法は,利用可能なイテレーション予算内での経済効果をシミュレーションする。 利用可能な物理情報を使用しない純粋にデータ駆動のBOアプローチとは対照的に、反応器の温度制約違反を避ける。

関連論文リスト

• $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
  一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。 本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。 V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2026-03-11T14:57:41Z)
• Adaptive Bayesian Data-Driven Design of Reliable Solder Joints for Micro-electronic Devices [0.0]
  熱メカニカルローディングによる故障に関連するソルダ継手信頼性は、重要でありながら物理的に複雑な工学的問題である。 ますますデータ駆動の世界では、効率的なデータ駆動設計スキームの使用が一般的な選択である。 著者らは、徹底的な代理モデルを利用して計算的貯蓄を得ることができると主張している。
  論文  参考訳（メタデータ） (2025-07-25T20:34:03Z)
• Cost-aware Stopping for Bayesian Optimization [46.95172329282389]
  本稿では,様々な評価コストに適応し,チューニングが不要なベイズ最適化のためのコスト対応停止則を提案する。 我々は,最先端の取得関数と組み合わせた場合,停止規則によって得られる期待累積評価コストを拘束する理論的な保証を証明した。
  論文  参考訳（メタデータ） (2025-07-16T17:54:14Z)
• Provably Efficient Bayesian Optimization with Unknown Gaussian Process Hyperparameter Estimation [44.53678257757108]
  目的関数の大域的最適値にサブ線形収束できる新しいBO法を提案する。 本手法では,BOプロセスにランダムなデータポイントを追加するために,マルチアームバンディット法 (EXP3) を用いる。 提案手法は, 様々な合成および実世界の問題に対して, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-12T03:35:45Z)
• Stochastic MPC for energy hubs using data driven demand forecasting [4.033600628443366]
  エネルギーハブは、複数の変換および記憶部品を介して異なるエネルギー入力を組み合わせることでエネルギー資源を変換し、分配する。 エネルギーハブの最適操作は、その柔軟性を利用してエネルギー効率を高め、運用コストを削減する。 本稿では,不確実な電力需要と熱需要に対するリスク制約を用いて,エネルギーコストを最小化するMPCコントローラを提案する。
  論文  参考訳（メタデータ） (2023-04-24T20:24:07Z)
• Predictive Accuracy of a Hybrid Generalized Long Memory Model for Short Term Electricity Price Forecasting [0.0]
  本研究では、一般化長メモリ自己回帰モデル(k-factor GARMA)に基づく新しいハイブリッドモデルの予測性能について検討する。 提案モデルの性能を北プール電力市場のデータを用いて評価した。
  論文  参考訳（メタデータ） (2022-04-18T12:21:25Z)
• Machine learning-assisted surrogate construction for full-core fuel performance analysis [0.0]
  本研究は、いくつかの現実的な平衡PWRコア設計に基づくフルコアサロゲート構築手法を提案する。 構築されたサーロゲートは、予測精度を満足して少なくとも1万時間加速度を達成する。
  論文  参考訳（メタデータ） (2021-04-17T17:02:50Z)
• Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
  VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。 どちらの手法もエネルギーと基底状態の優れた推定値を提供する。 勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
  論文  参考訳（メタデータ） (2020-11-02T19:52:04Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。