論文の概要: A sensor-driven physics-informed neural network for real-time occupant-centric space heating control

• arxiv url: http://arxiv.org/abs/2611.01723v1
• Date: Sun, 01 Nov 2026 09:16:34 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:04:51.658004
• Title: A sensor-driven physics-informed neural network for real-time occupant-centric space heating control
• Title（参考訳）: センサ駆動型物理インフォームドニューラルネットワークによる実時間占有型空間加熱制御
• Abstract要約: 本研究は、居住地周辺における所望の温度を維持することを目的とした、居住地中心の制御戦略を探求する。 室内温度場予測のための制御指向物理情報ニューラルネットワークモデルを提案する。 提案モデルでは,空間座標と限られたセンサ測定から時間ダイナミクスを暗黙的に推定する。
• 参考スコア（独自算出の注目度）: 9.036910546945343
• License:
• Abstract: Conventional space heating systems typically rely on single or sparse fixed-point temperature measurements, overlooking non-uniform indoor temperature distributions, transient thermal dynamics, and occupant-specific comfort requirements. This study explores an occupant-centric control strategy that aims to maintain the desired temperature around the occupant location. Spatially and temporally varying temperature fields, together with occupant mobility, make real-time local temperature estimation challenging. To address this challenge, we propose a control-oriented Physics-Informed Neural Network (PINN) model for indoor temperature-field prediction. Conventional PINNs rely on explicit time inputs and assume consistent temporal patterns across samples, which limits adaptability under variable initial conditions and heating sequences. The proposed model infers temporal dynamics implicitly from spatial coordinates and limited sensor measurements, improving robustness to changes in initial conditions and external disturbances. The method was validated across nine horizontal sensing planes in three controlled room-scale configurations. Against a validated COMSOL Multiphysics simulation, the PINN predicted the evaluated temperature fields with a maximum relative error below 1.85% across validation cases. These predictions supported an occupant-centric space heating control scheme. Compared with COMSOL-based offline control, the PINN-based system achieved an average prediction error of around 0.67%, and its rapid inference supports real-time occupant-centric control implementation. This work represents a move away from reliance on fixed-point temperature measurements in space heating control to an occupant-centric control strategy informed by real-time environmental feedback.
• Abstract（参考訳）: 従来の宇宙暖房システムは、通常、一様でない室内温度分布、過渡的な熱力学、占領者特有の快適な要求を見越して、単一または疎らな温度測定に頼っている。 本研究は、居住地周辺における所望の温度を維持することを目的とした、居住者中心の制御戦略を探求する。 空間的および時間的に変化する温度場は、占有する移動量とともに、リアルタイムな局所的な温度推定を困難にしている。 そこで本研究では,室内温度場予測のための制御指向物理情報ニューラルネットワーク(PINN)モデルを提案する。 従来のPINNは明示的な時間入力に依存し、サンプル間で一貫した時間パターンを仮定する。 提案モデルでは,空間座標と限られたセンサ測定から時間的ダイナミクスを暗黙的に推定し,初期条件の変化や外乱に対するロバスト性を向上させる。 本手法は,9面の水平感知面を3つの制御室規模構成で検証した。 検証されたCOMSOL多物理シミュレーションに対して、PINNは評価された温度場を予測し、検証ケース間の最大相対誤差は1.85%以下であった。 これらの予測は、乗員中心の宇宙暖房制御スキームを支持した。 COMSOLベースのオフライン制御と比較して、PINNベースのシステムは平均予測誤差が約0.67%に達した。 この研究は、宇宙暖房制御における定点温度測定に依存するものから、リアルタイムな環境フィードバックから得られる占有者中心の制御戦略へと移行したことを示す。

関連論文リスト

• UniGIO: Unified Generative Global In-situ Weather Modeling from Spatiotemporal Incomplete Observations [105.39188182564179]
  グローバルインサイト観測(Global In-situ Observation, GIO)は、希少な局から地球規模の気象システムの詳細な直接記録を提供する。 GIOは強い不完全性を示し、精度とリアルタイムの気象モデリングを著しく損なう。 自然不完全なGIOからグローバルな気象力学を直接モデル化するための新しい生成フレームワークUniGIOについて検討する。
  論文  参考訳（メタデータ） (2026-09-02T08:37:27Z)
• EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
  マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。 EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。 実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
  論文  参考訳（メタデータ） (2026-06-25T16:53:30Z)
• Uncertainty-Aware Graph Neural Reconstruction of Urban Temperature Fields from Sparse Sensors under Deployment Constraints [0.0]
  本研究では,スパースセンサから日次最大温度場を再構築するための不確実性対応グラフニューラルネットワーク(GNN)フレームワークを提案する。 このフレームワークはデイメット v4.1 の日温データ (1 km 分解能) を用いてモントリオールのポリゴン上で厳密な時間保持プロトコルで評価される。 センサ予算(10～40センサー)全体にわたって、提案したGNNは、逆距離重み付けと通常のリグよりも一貫して優れている。
  論文  参考訳（メタデータ） (2026-06-01T10:28:23Z)
• ASTREA: Introducing Agentic Intelligence for Orbital Thermal Autonomy [51.56484100374058]
  ASTREAは、自律的な宇宙船運用のためのフライト・ヘリテージ・ハードウェア上で実行される最初のエージェント・システムである。 我々は,資源制約付き大規模言語モデル(LLM)エージェントと強化学習コントローラを,空間対応プラットフォームに適した非同期アーキテクチャに統合する。
  論文  参考訳（メタデータ） (2025-09-16T08:52:13Z)
• Partially stochastic deep learning with uncertainty quantification for model predictive heating control [0.0]
  モデル予測制御(MPC)は、予測モデルを用いて建物が学習した熱挙動に基づいて加熱を最適化することで、欠点に対処する。 MPCソリューションは、物理にインスパイアされた簡易な室内温度モデルを使用し、堅牢性と解釈可能性の精度を犠牲にする。 本研究では,建物固有の室内温度モデリングのための深層学習アーキテクチャLSTM+BNNを提案する。
  論文  参考訳（メタデータ） (2025-04-04T11:07:23Z)
• Thermal Vision: Pioneering Non-Invasive Temperature Tracking in Congested Spaces [0.0]
  サーマルカメラを用いた非侵襲温度推定に関する既存の研究は、主にスパース設定に焦点を当てている。 本研究では,サーマルカメラとエッジデバイスを組み合わせた非侵襲温度推定システムを提案する。 提案した顔検出モデルは, インデータセットとクロスデータセットの両方において, 84以上の印象的なmAPスコアを達成している。
  論文  参考訳（メタデータ） (2024-12-01T15:52:51Z)
• Autonomous Payload Thermal Control [55.2480439325792]
  小さな衛星では、熱制御装置、科学機器、電子部品のスペースは少ない。 深部強化学習を用いた自律型熱制御ツールを提案する。 提案するフレームワークは,運用範囲の温度を維持するためにペイロード処理能力の制御を学べる。
  論文  参考訳（メタデータ） (2023-07-28T09:40:19Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Statistical Post-processing for Gridded Temperature Forecasts Using Encoder-Decoder Based Deep Convolutional Neural Networks [0.0]
  日本気象庁(JMA)は積雪量と降水量を予測するための格子状温度誘導を運用している。 NWPモデルが前線の位置を正確に予測しなかったり、観測温度が極端に寒かったり暑かったりした場合、温度の補正は困難であった。 本稿では,関東地方の表面温度を予測するために,エンコーダデコーダ型畳み込みニューラルネットワーク(cnns)を用いた。
  論文  参考訳（メタデータ） (2021-03-02T05:28:31Z)

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。