[論文レビュー] TFRD: A Benchmark Dataset for Research on Temperature Field Reconstruction of Heat-Source Systems.

Xiaoqian Chen, Zhiqiang Gong+3 more|arXiv (Cornell University)|Aug 17, 2021

Model Reduction and Neural Networks参考文献 27被引用数 5

ひとこと要約

本稿では、限られた監視データを用いた熱源系における温度場再構成（TFR-HSS）のためのベンチマークデータセットTFRDを紹介する。問題を数学的に定式化し、多様な熱源および境界条件のもとで標準化された学習・テストサンプルを生成し、従来手法およびディープラーニング手法の評価を通じて、今後の研究のためのベースラインパフォーマンスを確立する。

ABSTRACT

Heat management plays an important role in engineering. Temperature field reconstruction of heat source systems (TFR-HSS) with limited monitoring tensors, performs an essential role in heat management. However, prior methods with common interpolations usually cannot provide accurate reconstruction. In addition, there exists no public dataset for widely research of reconstruction methods to further boost the field reconstruction in engineering. To overcome this problem, this work construct a specific dataset, namely TFRD, for TFR-HSS task with commonly used methods, including the interpolation methods and the surrogate model based methods, as baselines to advance the research over temperature field reconstruction. First, the TFR-HSS task is mathematically modelled from real-world engineering problem and three types of numerically modellings have been constructed to transform the problem into discrete mapping forms. Besides, this work selects four typical reconstruction problem with different heat source information and boundary conditions and generate the standard samples as training and testing samples for further research. Finally, a comprehensive review of the prior methods for TFR-HSS task as well as recent widely used deep learning methods is given and we provide a performance analysis of typical methods on TFRD, which can be served as the baseline results on this benchmark.

研究の動機と目的

• 限られた監視データを伴う熱源系における温度場再構成（TFR-HSS）のための公開データセットの不足に対処すること。
• 補間法やサーモンモデルを含む多様な再構成手法を支援する標準化されたベンチマークデータセット（TFRD）の開発。
• 現実のTFR-HSS問題を一貫した評価が可能な離散的マッピングタスクとして数学的にモデル化すること。
• 異なる熱源および境界条件を有する4つの異なる再構成シナリオにおいて、標準化された学習・テストサンプルを生成すること。
• TFRD上でベースライン手法の包括的パフォーマンス分析を提供し、今後の手法開発の基準とする。

提案手法

• 実際の工学的システムから抽出したTFR-HSS問題を数学的にモデル化し、3種類の数値モデリング手法を用いて離散的マッピング形式に変換する。
• 熱源配置および境界条件の違いを有する4つの代表的再構成問題を選定し、手法の多様性を確保する。
• 数値シミュレーションから得られた標準化された学習・テストサンプルを生成し、現実的な熱場シナリオを再現する。
• 共通の補間法およびサーモンモデルに基づくアプローチを、TFRDデータセット上でのベースライン技術として実装する。
• 一貫した指標を用いてベースライン手法間のパフォーマンスを比較可能な包括的な評価フレームワークを構築する。
• 今後の研究、特にディープラーニングモデルの開発を支援するため、再現性のある結果を得られる共通のベンチマークを提供するようにデータセットを設計する。

実験結果

リサーチクエスチョン

• RQ1 限られた監視データを伴う標準化された温度場再構成タスクにおいて、従来の補間法およびサーモンモデルベース手法のパフォーマンスはいかがであるか？
• RQ2 TFR-HSSにおいて、さまざまな熱源配置および境界条件の違いが、パフォーマンスに与える影響は何か？
• RQ3 TFRDベンチマークは、再構成手法の一貫性および再現可能性のある評価をどのように可能にするか？
• RQ4 TFRDデータセット上での一般的および新興のディープラーニング手法のベースラインパフォーマンスは何か？
• RQ5 TFRDベンチマークは、温度場再構成分野における手法開発および比較をどの程度加速できるか？

主な発見

• TFRDベンチマークは、多様な熱的シナリオを有する標準化されたデータセットを提供し、再構成手法の一貫した評価を可能にする。
• 従来の補間法およびサーモンモデルベース手法は、熱源および境界条件の設定に応じてパフォーマンスにばらつきを示す。
• 本データセットは、古典的手法およびディープラーニングベース手法の両方の評価を可能にし、手法比較の基盤を提供する。
• TFRD上でのベースラインパフォーマンス結果が提供され、今後の手法開発およびベンチマーク作成の基準点が確立される。
• TFRDの可用性により、再現性があり比較可能な実験が可能になることから、温度場再構成分野における研究が加速すると期待される。