Fugu-MT 論文翻訳(概要): An Efficient Machine Learning Approach for Degradation Forecasting in AEM Water Electrolysis

論文の概要: An Efficient Machine Learning Approach for Degradation Forecasting in AEM Water Electrolysis

arxiv url: http://arxiv.org/abs/2609.37941v1
Date: Tue, 29 Sep 2026 16:21:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-30 21:28:47.73851
Title: An Efficient Machine Learning Approach for Degradation Forecasting in AEM Water Electrolysis
Title（参考訳）: AEM水電解における劣化予測のための効率的な機械学習手法
Abstract要約: 本研究は単細胞アニオン交換膜電解器(AEMWE)の新規データセットのデータ駆動解析を提供する。我々は,セル電圧劣化曲線の中期予測を行うため,複雑さの異なる機械学習モデルを訓練し,評価する。
参考スコア（独自算出の注目度）: 0.7850663096185592
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study provides a data-driven analysis of a novel dataset of single-cell Anion Exchange Membrane water electrolyzers (AEMWE), operated under constant current load across multiple heterogeneous experimental campaigns. We train and evaluate a range of machine learning models with different complexity, including linear baselines, LSTMs and CNNs, to perform medium-term forecasting of the cell voltage degradation curve. The models are assessed within a rigorous training and evaluation framework specifically designed for heterogeneous industrial data.
Abstract（参考訳）: 本研究では, 単セルアニオン交換膜水電解器 (AEMWE) の新規なデータ駆動解析を行い, 複数の不均一な実験キャンペーンにおいて一定の電流負荷下で動作させた。我々は,線形ベースライン,LSTM,CNNなど,複雑度の異なる機械学習モデルの訓練と評価を行い,セル電圧劣化曲線の中期予測を行う。モデルは、不均一な産業データのために特別に設計された厳密なトレーニングおよび評価フレームワーク内で評価される。

関連論文リスト

AI-Driven Surrogate Models for Predicting Electrode-Scale Discharge Behavior in Lithium-Ion Batteries [47.27974914502511]
本研究では,Swin3D Transformerに基づくディープラーニングサロゲートパイプラインを導入し,データから直接放電ダイナミクスを予測する。提案手法は計算オーバーヘッドを桁違いに削減し,高スループットバッテリー設計と最適化のためのスケーラブルで効率的なフレームワークを提供する。
論文参考訳（メタデータ） (2026-07-22T09:10:48Z)
A Multi-dimensional Framework for Evaluating Generalization in EEG Foundation Models [48.385356148620815]
最近のEEGファンデーションモデルは、タスクとデータセット間で有望な転送機能を示している。低リソース環境下での脳波モデル評価のための多次元評価フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-27T14:51:54Z)
From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。 OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。 ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
論文参考訳（メタデータ） (2026-02-20T18:58:43Z)
Generative Machine Learning Models for the Deconvolution of Charge Carrier Dynamics in Organic Photovoltaic Cells [0.0]
beta-LLODEは機械学習フレームワークで、P3HT:PCBM細胞から抽出ダイナミクスを分離、再構成する。学習可能な解釈可能な潜在空間は、実験的な測定条件の外挿と外挿の両方を含むシミュレーションを可能にする。
論文参考訳（メタデータ） (2025-11-02T23:32:05Z)
Performance of universal machine-learned potentials with explicit long-range interactions in biomolecular simulations [21.340102594388348]
普遍的な機械学習ポテンシャルは、構成的および振動的自由度間で伝達可能な精度を約束する。この研究は、SPICE-v2データセットで訓練された均質なメッセージパッシングアーキテクチャを、明示的な長距離分散と静電効果なしで体系的に評価する。
論文参考訳（メタデータ） (2025-08-14T17:08:34Z)
Modeling Membrane Degradation in PEM Electrolyzers with Physics-Informed Neural Networks [45.32169712547367]
プロトン交換膜 (PEM) 電解器は持続可能な水素製造に重要である。長期的な性能は膜劣化によって妨げられ、信頼性と安全性の課題を引き起こす。従来の物理学に基づくモデルが開発され、解釈可能性を提供しているが、測定や校正が難しい多くのパラメータを必要とする。本研究では,PEM電解器の膜劣化をモデル化するための物理インフォームドニューラルネットワーク(PINN)の最初の応用について述べる。
論文参考訳（メタデータ） (2025-06-19T15:46:49Z)
Using scientific machine learning for experimental bifurcation analysis of dynamic systems [2.204918347869259]
本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
論文参考訳（メタデータ） (2021-10-22T15:43:03Z)
Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。