論文の概要: Availability-Aware Historical Feedback Learning for Electric Arc Furnace Temperature and Chemical Composition Prediction
- arxiv url: http://arxiv.org/abs/2611.17463v1
- Date: Thu, 12 Nov 2026 19:45:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.25046
- Title: Availability-Aware Historical Feedback Learning for Electric Arc Furnace Temperature and Chemical Composition Prediction
- Title(参考訳): 電気アーク炉温度と化学組成予測のためのアベイラビリティを考慮した履歴フィードバック学習
- Abstract要約: 電気炉(EAF)製鋼は、リサイクルおよび低炭素鋼製造においてますます重要な役割を担っている。
本研究では,AEFの終点温度を予測するための,アベイラビリティを意識した履歴フィードバック学習フレームワークを開発する。
- 参考スコア(独自算出の注目度): 1.5057775716552344
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Electric arc furnace (EAF) steelmaking plays an increasingly important role in recycled and lower-carbon steel production. However, variability in charged materials, energy input, and operating conditions makes accurate prediction of molten steel temperature and final chemical composition challenging. Intermittent or delayed measurements limit the information available for timely prediction. This study develops an availability-aware historical-feedback learning framework for predicting EAF endpoint temperature and the final concentrations of twelve chemical elements. Eight industrial data sources are integrated into three progressively enriched predictor representations comprising 19 static, 39 temporal, and 47 history-informed features. Historical outcomes are incorporated only when eligible under an assumed 60-minute measurement-release delay. Using 19,738 temperature heats and 3,341 chemistry heats, twelve tuned regression algorithms are evaluated through chronological forward validation. The proposed historical-feedback representation reduces root mean squared error (RMSE) in 147 of 156 matched algorithm-target comparisons. For temperature prediction, ExtraTrees achieves an RMSE of 12.290 degrees C, representing a 5.54 percent reduction compared with its temporal-only counterpart. Historical-feature ablation and feedback-delay sensitivity analyses demonstrate the importance of recent outcome information and its availability. In a separate retrospective later-period evaluation, lightweight adaptive residual correction reduces temperature RMSE from 12.502 to 12.275 degrees C without retraining the underlying model. Exploratory deep learning comparisons and target-specific feature-attribution analyses provide additional insights into predictive behavior. The results establish historical outcome availability and sequential feedback as important considerations for EAF endpoint prediction.
- Abstract(参考訳): 電気炉(EAF)製鋼は、リサイクルおよび低炭素鋼製造においてますます重要な役割を担っている。
しかし, 荷電材料, エネルギー入力, 運転条件の変動は, 溶鋼温度と最終化学組成の正確な予測を困難にしている。
断続的または遅延的な測定は、タイムリーな予測に利用可能な情報を制限する。
本研究では,EAF終端温度と12種類の化学元素の最終濃度を予測するための,アベイラビリティを意識した履歴フィードバック学習フレームワークを開発した。
8つの産業データソースは、19の静的、39の時間的、47の履歴インフォームド特徴からなる、漸進的に強化された3つの予測子表現に統合される。
歴史的成果は、60分の計測リリース遅延が想定される場合にのみ組み込まれる。
19,738の温度熱と3,341の化学熱を用いて、12の調整された回帰アルゴリズムを時系列フォワード検証により評価した。
提案した履歴フィードバック表現は、156個のマッチングアルゴリズムとターゲット比較のうち147個のルート平均二乗誤差(RMSE)を低減する。
温度予測では、ExtraTreesのRMSEは12.290°Cであり、時間のみのRMSEに比べて5.44%減少している。
歴史的アブレーションとフィードバック遅延感度分析は,近年の成果情報の重要性と有効性を示している。
異なる振り返り後周期評価では、軽量適応残留補正はRMSEの温度を12.502から12.275°Cに下げる。
探索的深層学習比較と目標固有の特徴属性分析は、予測行動に関するさらなる洞察を提供する。
EAFエンドポイント予測の重要な考慮事項として,過去の成果と逐次フィードバックが確立された。
関連論文リスト
- A Graph Neural Network for Global Daily Fire Radiative Power Prediction at Medium-Range Lead Times [8.838930347349462]
大気質予測やエアロゾル予測には, バイオマス燃焼活動の高度な予測が重要である。
我々は,最新の観測結果より1~7日前にグローバルFRPを予測するデータ駆動モデルを開発した。
0.1$circ$の解像度では、平均2乗誤差は1日リードで32%、2023年には7日間で43%、2024年には24%、40%減少する。
論文 参考訳(メタデータ) (2026-10-08T00:14:28Z) - Counterfactual Predictions in Scientific Emulators Without Controlled Experiments [79.60287973965639]
ReRouteは、科学的な「何」予測をターゲットとするフレームワークである。
本研究では,ReRouteが制御された対流拡散システムにおいて,高精度な対物予測を実現することを示す。
密集した気候・気候の介入について、ReRouteはCO$の厳しい分配シフトの下で、総合的な気候誤差を18.2-31.8%削減する。
論文 参考訳(メタデータ) (2026-09-30T19:16:07Z) - RAP: Research Attention Prediction Reveals Target-Conditioned Evidence Acquisition Biases [58.92094935632493]
大規模言語モデル(LLM)は研究エージェントとしての役割がますます高まっているが、研究の関心の変化を追跡する能力は評価が難しい。
278のAI/MLフィールドと1,390のエピソードをカバーするローリングベンチマークであるResearch Attention Prediction (RAP)を紹介する。
それぞれのカットオフで、LLMエージェントは時間的に制限されたarXivコーパスを検索し、次の6ヶ月の論文の共有を8つの凍った研究方向にわたって予測する。
論文 参考訳(メタデータ) (2026-09-09T12:15:14Z) - Steering Diffusion Priors with Sparse Observations for High-Resolution Temperature Downscaling [1.6020567943077142]
局所的な熱波の危険性は、微細な大気温度に依存するが、地上局は希薄であり、ERA5のような再分析製品は、実際の熱露光を形成する地形や地表のコントラストを解決できない。
静止地形, 訓練気候, 正確なERA5温度, 太陽・時間特性を条件とした高分解能2m温度ダウンスケーリングのための条件拡散エミュレータを提案する。
得られたフィールドは、しきい値超過や累積熱バーデンなどの下流熱波ハザード生成物の温度層として意図されている。
論文 参考訳(メタデータ) (2026-09-08T11:13:32Z) - 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) - An Explainable, Attention-Enhanced, Bidirectional Long Short-Term Memory Neural Network for Joint 48-Hour Forecasting of Temperature, Irradiance, and Relative Humidity [0.0]
本稿では、スマートHVACシステムにおけるモデル予測制御(MPC)を支援するため、48時間の温度、太陽光、相対湿度の予測のためのディープラーニング(DL)フレームワークを提案する。
このアプローチでは、BiLSTM(Bidirectional Long Short-Term Memory)ネットワークに注意を払っており、3変数全てを共同で予測することで、時間的および横断的な依存関係をキャプチャする。
このモデルは、平均絶対誤差が摂氏1.3度(温度)、31W/m2(照度)、6.7%(湿度)、最先端の数値予測と機械学習ベンチマークを上回った。
論文 参考訳(メタデータ) (2025-08-28T15:40:33Z) - Wildfire spread forecasting with Deep Learning [1.194799054956877]
着火時に利用可能なデータを用いて, 焼却地域の範囲を予測するための深層学習フレームワークを提案する。
我々は,事前点火後のデータを含むことがモデル性能のベンチマークに与える影響について,アブレーション研究を行う。
その結果,複数日の観測データにより予測精度が大幅に向上することが示唆された。
論文 参考訳(メタデータ) (2025-05-23T07:01:38Z) - Calibrating Language Models with Adaptive Temperature Scaling [58.056023173579625]
本稿では,各トークンの温度スケーリングパラメータを予測するポストホックキャリブレーション法であるAdaptive Temperature Scaling (ATS)を紹介する。
ATSは、以前のキャリブレーション法と比較して、3つの下流自然言語評価ベンチマークで10-50%以上のキャリブレーションを改善する。
論文 参考訳(メタデータ) (2024-09-29T22:54:31Z) - Extracting or Guessing? Improving Faithfulness of Event Temporal
Relation Extraction [87.04153383938969]
本研究では,TempRel抽出モデルの忠実度を2つの観点から改善する。
第1の視点は、文脈記述に基づいて真に抽出することである。
第2の視点は、適切な不確実性評価を提供することである。
論文 参考訳(メタデータ) (2022-10-10T19:53:13Z) - A Transfer Learning-based State of Charge Estimation for Lithium-Ion
Battery at Varying Ambient Temperatures [14.419790834463548]
リチウムイオン電池(LiB)駆動デバイスに安定かつ効率的な環境を提供するためには、充電状態(SoC)推定が重要です。
ほとんどのデータ駆動SoCモデルは、温度に対するLiBの高感度を無視し、深刻な予測誤差を引き起こす可能性がある固定周囲温度のために構築されています。
提案手法は, 固定温度での予測誤差(例えば-20degCで24.35%, 25degCで49.82%)を低減させるだけでなく, 新温度での予測精度も向上する。
論文 参考訳(メタデータ) (2021-01-11T05:26:37Z)
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。