文献

J-GLOBAL ID：202202254088292677   整理番号：22A0467037

データと物理学の相乗作用による予測モデルの一般化可能性の強化【JST・京大機械翻訳】

Enhancing the generalizability of predictive models with synergy of data and physics

著者 (3件)： Shen Yingjun (Business School, Nanjing University, Nanjing 210093, People’s Republic of China) ,  Song Zhe (Business School, Nanjing University, Nanjing 210093, People’s Republic of China) ,  Kusiak Andrew (Department of Industrial and Systems Engineering, 4627 Seamans Center for the Engineering Arts and Sciences, The University of Iowa, Iowa City, IA, United States of America)
資料名： Measurement Science and Technology  (Measurement Science and Technology)
巻： 33  号： 3  ページ： 034002 (11pp)  発行年： 2022年 
JST資料番号： C0354C  ISSN： 0957-0233  CODEN： MSTCEP  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： ウインドファームは予測保全のための予測モデルを必要とする。利用可能なデータに反映される範囲を超えた非観測パラメータの値を予測する必要がある。1つの機械のために開発された予測モデルは,他の類似の機械のためによく機能しなかった。これは通常,データ駆動モデルの一般化可能性の欠如による。予測モデルの一般化可能性を高めるために,本研究は,第一原理知識によるデータマイニングを統合した。物理ベース原理を,特徴工学,強い規則および分割統治を通して機械学習アルゴリズムと組み合わせた。提案した相乗効果概念を風車ブレード着氷予測で説明し,異なるタービンにわたって顕著な予測精度を達成した。提案したプロセスは,その簡易性と効率のため,風力エネルギー予測保全実務者によって広く受け入れられるべきである。さらに,KNN,CART,およびDNNアルゴリズムの試験スコアは,それぞれ44.78%,32.72%,および9.13%増加する。機械学習プロセスの中で物理的原理を埋め込むことの重要性を実証し,また,産業ビッグデータマイニングにおけるより複雑な機械学習アルゴリズムの必要性が,他のアプリケーションにおけるよりも,しばしばはるかに少ないことを強調し,物理学を組み込み,そして,無「の追跡は,より多くの philosophy学を追求するのに不可欠であった。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *相乗作用 ,  風車 ,  着氷 ,  応用プログラム ,  タービン ,  風力エネルギー ,  ウインドファーム ,  機械学習 ,  学習アルゴリズム ,  第一原理 ,  *予測モデル ,  データマイニング
準シソーラス用語： 予測精度 ,  データ駆動 , 【Automatic Indexing@JST】

分類 (5件)： 計測機器一般  (AD02000X) ,  計測学一般  (AD01000Q) ,  図形・画像処理一般  (JE04010I) ,  温度測定,温度計  (AD06010K) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (6件)： 物理学 ,  相乗作用 ,  予測モデル ,  一般化 ,  可能性 ,  強化