A novel hybrid neural network for modeling dynamic systems using physics-informed regularization
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
Physics-Informed Neural Networks (PINNs) are very popular due to their ability to incorporate first-principles knowledge in traditional neural network models. However, many applications of traditional PINNs in chemical process modeling treat time as an explicit input, rendering them incompatible with a process control framework. In contrast, more advanced approaches for modeling dynamic systems with process control in mind, such as Physics-Informed Recurrent Neural Networks (PI-RNNs), demand high computational resources for both training and implementation. As a solution, we propose a hybrid Physics-Informed Nonlinear Auto-Regressive with eXogenous inputs (PI-NARX) model that is accurate, computationally efficient, and inherits the desired properties of hybrid models. We demonstrate the effectiveness of this approach with a case study based on a Continuous Stirred Tank Reactor. The proposed hybrid model reduces the Mean Absolute Error by 17% for interpolation and 19.5% for extrapolation over the traditional data-driven NARX model. Additionally, we demonstrate the enhanced performance of PI-NARX over NARX in cases of practical importance, such as when limited data or limited process knowledge is available, and in the presence of noisy measurements, indicating the practicality and effectiveness of hybrid machine learning for real-world systems. We also benchmark the performance of the PI-NARX model against that of a PI-RNN, and demonstrate that the PI-NARX model outperforms the PI-RNN in terms of computational efficiency and prediction accuracy.
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