ترجمه فارسی مقاله پیشبینی شار گرمای بحرانی با کمیسازی عدم قطعیت و تعمیم دامنه با استفاده از رمزگذارهای خودکار متغیر شرطی و شبکههای عصبی عمیق
عنوان مقاله به انگلیسی
Predicting Critical Heat Flux with Uncertainty Quantification and Domain Generalization Using Conditional Variational Autoencoders and Deep Neural Networks
عنوان مقاله به فارسی
پیشبینی شار گرمای بحرانی با کمیسازی عدم قطعیت و تعمیم دامنه با استفاده از رمزگذارهای خودکار متغیر شرطی و شبکههای عصبی عمیق
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
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.
چکیده به فارسی (ترجمه ماشینی)
مدل های تولیدی عمیق (DGM) در تولید نمونه های داده واقع گرایانه قدرتمند هستند.توانایی آنها برای یادگیری توزیع اساسی یک مجموعه داده ، آنها را قادر می سازد تا نمونه های داده مصنوعی را تولید کنند که از نزدیک شبیه به مجموعه داده های اصلی آموزش هستند ، بنابراین به چالش کمبود داده ها می پردازند.در این کار ، ما با توسعه یک مدل Autoencoder تنوع مشروط (CVAE) برای تقویت داده های اندازه گیری شار گرم (CHF) که برای تولید جدول جستجوی Groeneveld 2006 استفاده شده است ، قابلیت های DGMS را بررسی کردیم.برای تعیین چگونگی این رویکرد در مقایسه با روشهای سنتی ، یک مدل رگرسیون شبکه عصبی عمیق تنظیم شده (DNN) با همان مجموعه داده ایجاد و ارزیابی شد.هر دو مدل CVAE و DNN خطاهای نسبی مطلق کوچک را به دست آوردند ، با مدل CVAE نتایج مطلوب تری را حفظ می کند.برای تعیین کمیت عدم قطعیت در پیش بینی های مدل ، کمیت عدم اطمینان (UQ) با نمونه گیری مکرر از مدل CVAE و مجموعه ای از مدل DNN انجام شد.پس از UQ ، گروه DNN به ویژه در مقایسه با مدل DNN پایه ، عملکرد را بهبود بخشید ، در حالی که مدل CVAE نتایج مشابهی را با نتایج غیر UQ خود بدست آورد.مدل CVAE نشان داده شد که دارای تنوع قابل توجهی کمتر و اعتماد به نفس بالاتر پس از ارزیابی انحرافات استاندارد نسبی پیش بینی عاقلانه است.با ارزیابی تعمیم دامنه ، هر دو مدل هنگام پیش بینی هم در داخل و هم در خارج از حوزه آموزش ، مقادیر خطای متوسط را به دست آوردند ، با پیش بینی های خارج از حوزه آموزش خطاهای کمی بزرگتر را نشان می دهد.به طور کلی ، مدل CVAE در پیش بینی مقادیر CHF اما با رفتار عدم اطمینان بهتر با مدل رگرسیون DNN قابل مقایسه بود.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
