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（DGMS）は、元のデータセットによく似た合成データサンプルを生成し、データ不足に対処することができます。
この作業では、2006年のgroeneveld lookupテーブルに使用された重要な熱流束（CHF）データを増強するために、条件付き変動自動エンコーダー（CVAE）を開発しました。
従来の方法と比較するために、同じデータセットで微調整されたディープニューラルネットワーク（DNN）回帰モデルを評価しました。
どちらのモデルも小さな平均絶対相対誤差を達成し、CVAEはより好ましい結果を示しました。
不確実性の定量化（UQ）は、繰り返されるCVAEサンプリングとDNNアンサンミングを使用して実行されました。
DNNアンサンブルはベースライン上のパフォーマンスを向上させましたが、CVAEは、変動性が低く、より高い信頼性で一貫した結果を維持しました。
どちらのモデルもトレーニングドメインの内外で小さなエラーを達成し、外側にはわずかに大きなエラーがありました。
全体として、CVAEはCHFの予測においてDNNよりも優れたパフォーマンスを発揮し、より良い不確実性行動を示しました。

要約(オリジナル)

Deep generative models (DGMs) can generate synthetic data samples that closely resemble the original dataset, addressing data scarcity. In this work, we developed a conditional variational autoencoder (CVAE) to augment critical heat flux (CHF) data used for the 2006 Groeneveld lookup table. To compare with traditional methods, a fine-tuned deep neural network (DNN) regression model was evaluated on the same dataset. Both models achieved small mean absolute relative errors, with the CVAE showing more favorable results. Uncertainty quantification (UQ) was performed using repeated CVAE sampling and DNN ensembling. The DNN ensemble improved performance over the baseline, while the CVAE maintained consistent results with less variability and higher confidence. Both models achieved small errors inside and outside the training domain, with slightly larger errors outside. Overall, the CVAE performed better than the DNN in predicting CHF and exhibited better uncertainty behavior.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google