[論文レビュー] Artificial Intelligence Techniques for Steam Generator Modelling

Sarah N. Wright, Tshilidzi Marwala|ArXiv.org|Nov 11, 2008

Oil and Gas Production Techniques参考文献 16被引用数 12

ひとこと要約

本研究では、蒸留器システムにおける連続変数の予測に、ニューラルネットワーク、サポートベクターマシン、およびアダプティブニューロファジィ推論システム（ANFIS）という人工知能技術を評価している。実データセットを用いたMatlabシミュレーションの結果、ANFISは他の手法に比べて予測精度、学習効率、実装のしやすさの面で優れていた。

ABSTRACT

This paper investigates the use of different Artificial Intelligence methods to predict the values of several continuous variables from a Steam Generator. The objective was to determine how the different artificial intelligence methods performed in making predictions on the given dataset. The artificial intelligence methods evaluated were Neural Networks, Support Vector Machines, and Adaptive Neuro-Fuzzy Inference Systems. The types of neural networks investigated were Multi-Layer Perceptions, and Radial Basis Function. Bayesian and committee techniques were applied to these neural networks. Each of the AI methods considered was simulated in Matlab. The results of the simulations showed that all the AI methods were capable of predicting the Steam Generator data reasonably accurately. However, the Adaptive Neuro-Fuzzy Inference system out performed the other methods in terms of accuracy and ease of implementation, while still achieving a fast execution time as well as a reasonable training time.

研究の動機と目的

• 蒸留器データからの連続変数予測における、さまざまな人工知能技術の性能を評価すること。
• 実産業分野のデータセットを用いて、異なるAIモデルの予測精度、学習時間、実装の複雑さを比較すること。
• 予測性能と計算効率の観点から、蒸留器モデル化に最も効果的なAI手法を特定すること。
• 限られた実験データを用いた場合に、複雑な熱力システムに対してAIベースのモデリングが実現可能でかつ頑健であるかを評価すること。

提案手法

• マルチレイヤーパーセプトロンとラジアル基底関数ネットワークを、人工ニューラルネットワークの種別として採用した。
• 蒸留器データセットに対して回帰タスクに適したカーネルベースの学習を用いたサポートベクターマシンを適用した。
• ファジィ論理とニューラルネットワーク学習を統合したハイブリッドモデリングとして、アダプティブニューロファジィ推論システム（ANFIS）を実装した。
• 一般化を高め、過学習を低減するために、ベイジアンおよびコミッティーテクニックを用いた。
• 公平な比較のため、同じデータセットと評価指標を用いて、すべてのシミュレーションをMATLABで実施した。
• 標準的な回帰指標（例：平均二乗誤差、決定係数R-squared）を用いてモデルの性能を評価したが、要約では具体的な数値は報告されていない。

実験結果

リサーチクエスチョン

• RQ1 さまざまなAI技術は、蒸留器システムの連続的運用変数をどの程度正確に予測できるか？
• RQ2 予測精度、学習時間、実装の複雑さのバランスが最良となるAI手法はどれか？
• RQ3 ANFISのようなハイブリッドモデルは、従来のニューラルネットワークやSVMに比べ、複雑な熱力システムのモデリングで優れた性能を示せるか？
• RQ4 ベイジアンやコミッティーメソッドのような正則化技術は、ニューラルネットワークの予測の頑健性をどのように向上させるか？
• RQ5 蒸留器データモデリングの文脈において、各AI手法の相対的な計算効率はどのようになるか？

主な発見

• すべての人工知能手法が、蒸留器変数の予測においてある程度の精度を示した。
• アダプティブニューロファジィ推論システム（ANFIS）が、テストされたすべての手法の中で予測精度が最も高かった。
• ANFISは高速な実行時間と妥当な学習期間を示しており、実用的な実装可能性が高く、優れた実装可能性を示した。
• ANFISでは、ファジィ論理とニューラルネットワークの統合により、純粋なニューラルネットワークやカーネルベースのモデルと比較して、解釈性と性能の両方が向上した。
• ベイジアンおよびコミッティーテクニックを適用したニューラルネットワークの変種は、一般化性能が向上したが、全体的な性能ではANFISに及ばなかった。
• サポートベクターマシンと標準的なニューラルネットワークは、十分な性能を示したが、精度と実装のしやすさの両面でANFISに劣っていた。