論文の概要: Physics-guided machine learning for saturation control across variable hydraulic conditions in heap leaching
- arxiv url: http://arxiv.org/abs/2610.15947v1
- Date: Sun, 11 Oct 2026 22:11:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-19 08:24:50.206014
- Title: Physics-guided machine learning for saturation control across variable hydraulic conditions in heap leaching
- Title（参考訳）: 物理誘導型機械学習によるヒープリーチングにおける可変油圧条件の飽和制御
- Abstract要約: ヒープリーチング油圧は鉱床の地域によって異なり、異なる材料特性に対応する高速予測モデルを動機付けている。
本研究では,パラメータ条件付き機械学習(PGML)サロゲートを開発し,シミュレーション飽和制御におけるその利用を実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Heap-leaching hydraulics vary between regions of an ore bed, motivating fast prediction models that accommodate different material properties. This study develops a parameter-conditioned physics-guided machine-learning (PGML) surrogate and demonstrates its use in simulated saturation control. A dataset of 4096 numerical Richards-equation trajectories was divided into 2867 training, 614 validation and 615 evaluation cases. The network predicts hourly saturation profiles from the current profile, irrigation rate and four hydraulic parameters, and is trained with an approximate Gardner mass-balance penalty. A daily predictive controller compared 200 constant irrigation rates over a 24-hour horizon. Across the evaluation cases, the median full-cycle tracking deviation was 4.9% of a 0.70 saturation target, equal to that of a tuned proportional-integral (PI) controller, while the PGML controller reached the target without overshoot in the median and applied approximately 4% less irrigation. Moderate physics guidance reduced long-horizon prediction error by approximately 30% relative to data-only training and reduced irrigation-bound activity, but slightly worsened closed-loop tracking. For a matched prediction workload, the surrogate was approximately 70 times faster than the numerical solver, and batched evaluation cost under 2 ms per column for 5000 columns. The results support a reusable physics-guided surrogate for large-scale saturation control in simulation.
- Abstract（参考訳）: ヒープリーチング油圧は鉱床の地域によって異なり、異なる材料特性に対応する高速予測モデルを動機付けている。
本研究では,パラメータ条件付き物理誘導型機械学習(PGML)サロゲートを開発した。
4096の数値リチャーズ方程式軌跡のデータセットを2867のトレーニング、614の検証、615の評価ケースに分割した。
ネットワークは、現在のプロファイル、灌水率、および4つの水理パラメータから時給飽和プロファイルを予測し、ガードナーの質量均衡を近似して訓練する。
毎日の予測コントローラは、24時間水平線上で200の一定灌水率を比較した。
評価ケース全体で、全サイクル追跡偏差の中央値は0.70飽和目標の4.9%であり、調整された比例積分(PI)コントローラの4.9%であり、PGMLコントローラは中央値でオーバーシュートすることなく目標に達した。
適度な物理ガイダンスは、データのみのトレーニングと比較して、長距離予測誤差を約30%減らし、灌水活動も減らしたが、クローズループ追跡はわずかに悪化した。
一致した予測作業負荷では,サロゲートは数値解法よりも約70倍高速であり,5000列につき2ms以下のバッチ評価コストであった。
その結果,シミュレーションにおける大規模飽和制御のための再利用可能な物理誘導サロゲートが支持された。
関連論文リスト
- TempTPI: Informer-Based trajectory prediction for maritime vessels [39.146761527401424]
本研究では,Informerベースのエンコーダとマルチチャネル時間符号化機構を統合した新しい予測フレームワークであるTempTPIを提案する。
デンマーク海域のAISデータを用いて,最先端のTPTransアーキテクチャに対する本モデルの評価を行った。
論文 参考訳（メタデータ） (2026-09-09T07:46:26Z) - Predictors and Orchestrators: Parsimonious Machine Learning within an Agentic AI Harness for Multi-Horizon Karst Aquifer Forecasting [3.0105723746072997]
本研究は,テキサス州の湧水および地下水位を1～12週間前に予測するためのデプロイメント対応フレームワークを開発し,評価する。
極度の勾配上昇は一貫して最も信頼性が高かった。
深層モデルは短い地平線で競争力があったが、徐々に劣化し、長いリードタイムで孤立した失敗を見せた。
論文 参考訳（メタデータ） (2026-09-06T03:06:13Z) - Mitigating the Impact of Retention Loss on Inference Accuracy in 65 nm Single-Poly Floating-Gate Analog In-Memory Computing [36.94429692322632]
推測精度の劣化に対する保持損失の影響を軽減できることを示す。
プログラミングから60日経ってから2～4%でベースライン推定精度を回復できることが示される。
論文 参考訳（メタデータ） (2026-07-27T20:41:46Z) - UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction [42.532335022354545]
バッチプロセスにおける異常検出は、過渡的ダイナミクス、欠陥ラベルの不足、単一モードセンサデータへの依存によって妨げられる。
本研究は, バッチ蒸留における異常検出, 時系列予測, 位相分類を共同で扱うマルチモーダルフレームワークUTOPYAを紹介する。
本研究で導入された物理インフォームド正規化スキームは、時間的滑らかさと熱力学的モノトニクスを強制する。
論文 参考訳（メタデータ） (2026-05-18T10:28:15Z) - Do Masked Autoencoders Improve Downhole Prediction? An Empirical Study on Real Well Drilling Data [41.99844472131922]
マスキードオートエンコーダ (MAE) プレトレーニングを, 坑井掘削量予測のために評価した。
最良のMAE構成は、教師付きGRUベースラインと比較してテスト平均絶対誤差を19.8%削減する。
論文 参考訳（メタデータ） (2026-04-21T22:46:42Z) - Variational Inference for Bayesian MIDAS Regression [0.0]
線形重みパラメータージネーションを用いた回帰のための座標アセント変分推論 (CAVI) アルゴリズムを開発した。
CAVIは、107xから1,772xのスピードアップを達成しつつ、ブロックギブスサンプリングベンチマークとほぼ同一の後方手段を生成する。
重み関数パラメータは、すべてのcon gurationに対して優れたキャリブレーション(カバーは92%以上)を維持している。
論文 参考訳（メタデータ） (2026-02-23T08:51:26Z) - SpecFuse: A Spectral-Temporal Fusion Predictive Control Framework for UAV Landing on Oscillating Marine Platforms [6.921143850808118]
周波数領域の時間-時間波分解を統合した新しいスペクトル融合フレームワークを提案する。
複雑なキャリブレーションに頼ることなく、IMUデータを介してリアルタイムに予測を洗練する。
3.2cmの予測誤差、4.46cmの着陸偏差、98.7% / 87.5%の成功率(2000/実世界)、82msの組込みハードウェアの遅延を達成し、44%-48%の精度で最先端の手法より優れている。
論文 参考訳（メタデータ） (2026-02-17T15:03:05Z) - Reduced-Order Surrogates for Forced Flexible Mesh Coastal-Ocean Models [0.0]
本稿では,気象強制と境界条件を組み込んだフレキシブルなクープマンオートエンコーダを提案する。
性能をPODベースのサロゲートと体系的に比較する。
論文 参考訳（メタデータ） (2026-02-05T07:59:58Z) - Accelerating HEC-RAS: A Recurrent Neural Operator for Rapid River Forecasting [0.0]
本稿では,HEC-RASを解法としてではなく,データ生成エンジンとして扱う深層学習サロゲートを提案する。
ミシシッピ川流域の67か所で訓練され、サロゲートは1年間、目に見えないホールドアウトシミュレーションで評価された。
結果は、モデルが高い予測精度を達成し、中央値の絶対ステージ誤差は0.31フィートであることを示している。
論文 参考訳（メタデータ） (2025-07-21T13:38:54Z) - FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond
10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。
FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。
その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文 参考訳（メタデータ） (2023-04-06T09:16:39Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z)
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。