Improved surrogate modeling for multi-energy system design: Model architecture, sampling and scaling choices
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Multi-energy systems (MES) are a key concept for developing more sustainable energy systems, but optimizing their design is computationally burdensome. This paper explores the development of machine-learning (ML) based surrogate models for the optimal design of MES. Surrogates are simple models, often ML-based, used to approximate detailed simulations, in this case MES design optimizations. These models provide instant responses, enabling fast comparisons and explorations of trade-offs between design variables. No related work proposes an ML procedure tailored to properties of the MES design application. Most related works use surrogates to predict system cost and other objectives. However, few works have used them to directly predict the optimal system design, and those that do show poor performance. This paper provides an extensive methodology tailored to properties of MES design problems to improve surrogate performance on small datasets. Four components were found to significantly improve surrogate performance: a careful and objective-oriented selection of samples, the use of upsampling to balance datasets, the use of non-linear rescaling methods, and a specific neural-network architecture called Mixture-of-Experts. These work together to turn the original design variable distribution (i.e., of the output) into a Gaussian-like data distribution, that can be more easily learned by the neural-network. The resulting surrogate model almost instantly predicts optimal energy system designs with high precision. This was tested across a wide variety of different climates, building types and decarbonization goals. Such surrogate models will make it much easier to explore different MES design options. • Energy system design shows irregularities and sudden changes in design variables. • Irregularities and splits reduce the learnability via neural-network. • A large exploration of modeling parameters is tested over a large pool of cases. • A simple mixture-of-experts architecture often addresses the issue. • Upsampling and a novel sampling strategy support the surrogate model’s training.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle