論文の概要: Two-stage Residual Learning for Modelling Strength-Informed Optimisation of Thermal Systems

• arxiv url: http://arxiv.org/abs/2610.19539v1
• Date: Wed, 14 Oct 2026 03:57:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.94726
• Title: Two-stage Residual Learning for Modelling Strength-Informed Optimisation of Thermal Systems
• Title（参考訳）: 熱システムの強度インフォームド最適化のための2段階残差学習
• Abstract要約: 本研究は,検証に基づく信頼性スクリーニングとポスト最適化残効評価による局所モデリング強度の評価を行う。 熱システムのモデリング・強度インフォームド・ドメイン制約最適化のための2段階残差学習フレームワークを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Aggregate performance metrics do not identify local modelling inaccuracies in machine learning (ML) surrogates used for thermal-system optimisation. This study assesses local modelling strength through validation-based reliability screening and post-optimisation residual assessment. A two-stage residual learning (TSRL) framework, built on artificial neural networks (ANNs), is developed for modelling-strength-informed and domain-constrained optimisation of thermal systems. Within the TSRL framework, a base ANN predicts the process output, and a residual ANN learns the signed residuals left by the base ANN. The TSRL framework is implemented on two case studies of thermal systems, including 817 simulation observations of a crude distillation unit and operating records from a 395 MW industrial gas turbine. The TSRL framework reduces the test root mean square error (RMSE) from 10.3 g/s to 4.7 g/s for Fuel Oil in the refinery dataset and from 151 kJ/kWh to 105 kJ/kWh for turbine heat rate (THR). The base ANNs trained within TSRL are embedded in domain-constrained optimisation problems, and the modelling strength at each computed solution is assessed using the locked residual-score threshold. Each computed solution receives a good modelled region (GMR) or weak modelled region (WMR) label to inform ML model-based decision-making for safety-critical operation of thermal systems.
• Abstract（参考訳）: 集約パフォーマンスメトリクスは、サーマル・システム最適化に使用される機械学習(ML)サロゲートの局所的なモデリング不正確さを特定しない。 本研究は,検証に基づく信頼性スクリーニングとポスト最適化残効評価による局所モデリング強度の評価を行う。 ニューラルネットワーク(ANN)上に構築された2段階残差学習(TSRL)フレームワークは、熱システムのモデリング・強度インフォームドおよびドメイン制約付き最適化のために開発された。 TSRL フレームワーク内では、ベース ANN がプロセス出力を予測し、残余 ANN はベース ANN が残した符号残基を学習する。 TSRLフレームワークは、原油蒸留ユニットの817のシミュレーション観察と、395MWの産業用ガスタービンの運転記録を含む、熱システムの2つのケーススタディに実装されている。 TSRLフレームワークは、試験根平均二乗誤差(RMSE)を精製データセットで10.3 g/sから4.7 g/sに減らし、タービン熱速度(THR)で151 kJ/kWhから105 kJ/kWhに減らしている。 TSRL内で訓練されたベースANNは、ドメイン制約付き最適化問題に埋め込まれ、各計算ソリューションにおけるモデリング強度は、ロックされた残差スコア閾値を用いて評価される。 各計算解は良いモデル化領域 (GMR) または弱いモデル化領域 (WMR) ラベルを受け取り、MLモデルに基づく熱システムの安全クリティカルな操作の意思決定を通知する。

関連論文リスト

• IPM-FM: A Foundation Model with Consensus Feature Selection for Industrial Process Monitoring [59.59850511287819]
  産業プロセス監視基盤モデル(IPM-FM)を提案する。 まず、自己教師付き事前学習を通じて、ラベルのない産業プロセスデータから汎用的な表現を学習する。 少数のタスクラベル付きデータを使用して特定の監視タスクに適応し、最終的に校正された予測を生成する。
  論文  参考訳（メタデータ） (2026-09-08T07:43:04Z)
• Physics-Informed Neural Network Digital Twin for Dynamic Tray-Wise Modeling of Distillation Columns under Transient Operating Conditions [0.0]
  デジタルツイン技術は、産業プロセスの監視、制御、最適化のための変換機能を提供する。 本研究は, 過渡条件下で動作する2次蒸留塔の動的, トレイワイドなモデリングのための物理インフォームドニューラルネットワーク(PINN)デジタルツインフレームワークを提案する。 提案したPINNデジタルツインは, 工業蒸留プロセスにおけるリアルタイムソフトセンシング, モデル予測制御, 異常検出のための堅牢な基盤として確立された。
  論文  参考訳（メタデータ） (2026-03-25T14:45:35Z)
• Data-driven Bi-level Optimization of Thermal Power Systems with embedded Artificial Neural Networks [0.815557531820863]
  本稿では,産業用熱電力システムのデータ駆動最適化のための,機械学習による二段階最適化フレームワークを提案する。 ANNモデルとKarush-Kuhn-Tucker制約(ANN-KKT)を統合した一段階最適化フレームワークを,ベンチマーク問題や実世界の発電操作で検証した。 その結果,提案した ANN-KKT フレームワークとベンチマーク問題の両レベルソリューションとの同等の解が得られた。
  論文  参考訳（メタデータ） (2026-02-14T12:32:38Z)
• Ring-lite: Scalable Reasoning via C3PO-Stabilized Reinforcement Learning for LLMs [51.21041884010009]
  Ring-liteは、強化学習(RL)により最適化されたMixture-of-Experts(MoE)ベースの大規模言語モデルである 我々のアプローチは、挑戦的なベンチマーク上でのSOTA(State-of-the-art)の小規模推論モデルの性能と一致する。
  論文  参考訳（メタデータ） (2025-06-17T17:12:34Z)
• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• Advancing Heat Demand Forecasting with Attention Mechanisms: Opportunities and Challenges [2.979183050755201]
  熱需要に影響を及ぼす独立変数と依存変数の分解されたコンポーネントを特徴として利用し、ヘッド需要予測を多段階に進める深層学習(DL)モデルを構築した。 提案手法は実世界のデータセットを用いて評価し,LSTMおよびCNNに基づく予測モデルに対して予測性能を評価する。
  論文  参考訳（メタデータ） (2025-02-11T13:12:06Z)
• Uncertainty quantification for industrial design using dictionaries of reduced order models [0.0]
  この研究は、エラストビスコ塑性高圧タービンブレードの実際の産業モデルへの完全なワークフローの適用である。 辞書ベースのROM-netは、温度負荷場の1008モンテカルロ描画に対する2つの興味量の予測を計算する。
  論文  参考訳（メタデータ） (2021-08-09T13:05:52Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Statistical Downscaling of Temperature Distributions from the Synoptic Scale to the Mesoscale Using Deep Convolutional Neural Networks [0.0]
  有望な応用の1つは、低分解能ダイナミックモデルの出力画像を高分解能画像に変換する統計的代理モデルを開発することである。 本研究では,6時間毎に合成温度場をメソスケール温度場にダウンスケールする代理モデルについて検討した。 代理モデルが短時間で実施されれば、高解像度の天気予報ガイダンスや環境緊急警報を低コストで提供する。
  論文  参考訳（メタデータ） (2020-07-20T06:24:08Z)
• VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
  モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。 LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。 本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
  論文  参考訳（メタデータ） (2020-07-15T07:07:07Z)

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。