Predicting Critical Heat Flux with Uncertainty Quantification and Domain Generalization Using Conditional Variational Autoencoders and Deep Neural Networks

要約

ディープ生成モデル (DGM) は、現実的なデータ サンプルを生成するのに強力であることが証明されています。
データセットの基礎となる分布を学習する機能により、元のトレーニング データセットによく似た合成データ サンプルを生成できるため、データ不足の課題に対処できます。
この研究では、2006 Groeneveld ルックアップ テーブルの生成に使用された臨界熱流束 (CHF) 測定データを拡張する条件変分オートエンコーダー (CVAE) モデルを開発することにより、DGM の機能を調査しました。
このアプローチが従来の方法とどのように比較されるかを判断するために、微調整されたディープ ニューラル ネットワーク (DNN) 回帰モデルが作成され、同じデータセットを使用して評価されました。
CVAE モデルと DNN モデルはどちらも小さい平均絶対相対誤差を達成し、CVAE モデルはより良好な結果を維持しました。
モデルの予測の不確実性を定量化するために、CVAE モデルの繰り返しサンプリングと DNN モデルのアンサンブルを使用して不確実性定量化 (UQ) が実行されました。
UQ に続いて、DNN アンサンブルはベースライン DNN モデルと比較してパフォーマンスが著しく向上しましたが、CVAE モデルは非 UQ の結果と同様の結果を達成しました。
CVAE モデルは、予測に基づく相対標準偏差の評価後、変動が大幅に少なく、信頼性が高いことが示されました。
領域の一般化を評価すると、両方のモデルはトレーニング ドメインの内側と外側の両方を予測するときに小さな平均誤差値を達成し、トレーニング ドメインの外側の予測ではわずかに大きな誤差が示されました。
全体として、CVAE モデルは CHF 値の予測において DNN 回帰モデルと同等でしたが、不確実性の挙動が優れていました。

要約(オリジナル)

Deep generative models (DGMs) have proven to be powerful in generating realistic data samples. Their capability to learn the underlying distribution of a dataset enable them to generate synthetic data samples that closely resemble the original training dataset, thus addressing the challenge of data scarcity. In this work, we investigated the capabilities of DGMs by developing a conditional variational autoencoder (CVAE) model to augment the critical heat flux (CHF) measurement data that was used to generate the 2006 Groeneveld lookup table. To determine how this approach compared to traditional methods, a fine-tuned deep neural network (DNN) regression model was created and evaluated with the same dataset. Both the CVAE and DNN models achieved small mean absolute relative errors, with the CVAE model maintaining more favorable results. To quantify the uncertainty in the model’s predictions, uncertainty quantification (UQ) was performed with repeated sampling of the CVAE model and ensembling of the DNN model. Following UQ, the DNN ensemble notably improved performance when compared to the baseline DNN model, while the CVAE model achieved similar results to its non-UQ results. The CVAE model was shown to have significantly less variability and a higher confidence after assessment of the prediction-wise relative standard deviations. Evaluating domain generalization, both models achieved small mean error values when predicting both inside and outside the training domain, with predictions outside the training domain showing slightly larger errors. Overall, the CVAE model was comparable to the DNN regression model in predicting CHF values but with better uncertainty behavior.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google