Learning to reconstruct the bubble distribution with conductivity maps using Invertible Neural Networks and Error Diffusion

要約

電気分解は環境に優しい水素製造に不可欠ですが、プロセス中に発生する気泡が反応を妨げ、セル効率を低下させ、エネルギー消費を増加させます。
さらに、これらの気泡はセル内の導電率の変化を引き起こし、その結果、セルの周囲の誘導磁場にも対応する変化が生じます。
したがって、外部磁気センサーを使用してこれらの気泡に起因する磁場の変動を測定し、ビオサバールの法則の逆問題を解くことで、セル内の導電率、ひいては気泡のサイズと位置を推定することができます。
ただし、少数の誘導磁場測定値から高分解能の導電率マップを決定することは、不適切な逆問題です。
これを克服するために、反転ニューラル ネットワーク (INN) を利用して導電率場を再構築します。
定性的結果とランダム誤差拡散を使用した定量的評価は、INN が Tikhonov 正則化と比較してはるかに優れたパフォーマンスを達成することを示しています。

要約(オリジナル)

Electrolysis is crucial for eco-friendly hydrogen production, but gas bubbles generated during the process hinder reactions, reduce cell efficiency, and increase energy consumption. Additionally, these gas bubbles cause changes in the conductivity inside the cell, resulting in corresponding variations in the induced magnetic field around the cell. Therefore, measuring these gas bubble-induced magnetic field fluctuations using external magnetic sensors and solving the inverse problem of Biot-Savart Law allows for estimating the conductivity in the cell and, thus, bubble size and location. However, determining high-resolution conductivity maps from only a few induced magnetic field measurements is an ill-posed inverse problem. To overcome this, we exploit Invertible Neural Networks (INNs) to reconstruct the conductivity field. Our qualitative results and quantitative evaluation using random error diffusion show that INN achieves far superior performance compared to Tikhonov regularization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google