BR112020024951A2 - Método para operar um modelo de rede neural, e, sistema - Google Patents
Método para operar um modelo de rede neural, e, sistema Download PDFInfo
- Publication number
- BR112020024951A2 BR112020024951A2 BR112020024951-3A BR112020024951A BR112020024951A2 BR 112020024951 A2 BR112020024951 A2 BR 112020024951A2 BR 112020024951 A BR112020024951 A BR 112020024951A BR 112020024951 A2 BR112020024951 A2 BR 112020024951A2
- Authority
- BR
- Brazil
- Prior art keywords
- data
- real
- world
- neural network
- simulation
- Prior art date
Links
- 238000003062 neural network model Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004088 simulation Methods 0.000 claims abstract description 104
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 16
- 238000004519 manufacturing process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000032258 transport Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000001965 increasing effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B21/00—Tying-up; Shifting, towing, or pushing equipment; Anchoring
- B63B21/50—Anchoring arrangements or methods for special vessels, e.g. for floating drilling platforms or dredgers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B71/00—Designing vessels; Predicting their performance
- B63B71/10—Designing vessels; Predicting their performance using computer simulation, e.g. finite element method [FEM] or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Fluid Mechanics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
a presente invenção provê um sistema e método para contornar a necessidade de retreinar o modelo de rede neural após inicialmente treinado usando um simulador, comparando dados do mundo real aos dados previstos pelo simulador para as mesmas entradas e desenvolvendo uma correlação de mapeamento que ajusta os dados do mundo real para os dados de simulação. assim, a lógica de decisão desenvolvida no modelo treinado por simulação é preservada e continua a operar em uma realidade alterada. uma métrica de limite de similaridade pode ser provida inicialmente no algoritmo de mapeamento, que ajusta automaticamente os dados do mundo real aos dados ajustados correspondentes aos dados de simulação para operar o modelo de rede neural quando a métrica de similaridade entre os dados do mundo real e os dados de simulação excede a métrica de limite. o aprendizado atualizado pode continuar conforme desejado, trabalhando em segundo plano enquanto as condições são monitoradas.
Description
1 / 19 MÉTODO PARA OPERAR UM MODELO DE REDE NEURAL, E,
[001] Não aplicável.
[002] Não aplicável.
[003] Não aplicável.
FUNDAMENTOS DA INVENÇÃO Campo da Invenção
[004] A descrição refere-se, de modo geral, ao treinamento e operação do modelo de rede neural usando um simulador e fatores de ajuste para o simulador. Mais particularmente, a descrição se refere ao treinamento e operação de modelo de rede neural para plataformas de produção flutuantes, embarcações e outros sistemas flutuantes. Descrição da Técnica Relacionada
[005] Na produção de hidrocarbonetos a partir de formações submarinas, plataformas de produção flutuantes, embarcações e outros sistemas de produção flutuantes são normalmente amarrados ou mantidos em posição durante as operações. Os cabos de amarração precisam periodicamente de reparo ou substituição. Como muitos cabos de amarração são tipicamente usados, uma condição deteriorada ou mesmo uma falha de um cabo de amarração pode não ser imediatamente perceptível para os operadores em condições normais. No entanto, condições extremas podem testar a integridade do sistema de cabo de amarração. Se os cabos de amarração restantes forem sobrecarregados sob as condições extremas, todo o sistema de produção flutuante pode ser comprometido ou falhar.
[006] É desejável que a modelagem preditiva preveja a condição do
2 / 19 sistema de cabo de amarração com base no movimento do mundo real dos sistemas de produção flutuantes em comparação com o movimento esperado. Um modelo de rede neural pode prover um sistema robusto que pode aprender a tempo e se ajustar às condições para respostas mais precisas. Modelos de rede neural (modelo RN) são sistemas de neurônios interconectados que correlacionam entradas conhecidas a saídas conhecidas a fim de gerar um polinômio não linear de alta ordem complexo ponderado para prever saídas com entradas. Tipicamente, as entradas e saídas são derivadas de um sistema em funcionamento, exigindo, portanto, um tempo considerável antes que um conjunto suficiente de dados seja acumulado para treinar o sistema, e também não esteja disponível durante o período de funcionamento em tempo real.
[007] Uma alternativa é treinar o modelo RN com uma simulação da operação do sistema. A entrada/saída simulada acelera muito o processo de aprendizagem e disponibiliza um modelo de rede neural desde o início das operações. No entanto, o treinamento de simulação inicial necessita verificar a precisão da simulação em paralelo ao modelo RN operando em condições do mundo real. A verificação tipicamente significa gerar um novo conjunto de entradas e saídas em relação à precisão da simulação seguido pelo retreinamento do modelo RN e, em seguida, fazer o upload do novo modelo RN, adicionando custos e tempo ao modelo RN funcionando como pretendido.
[008] Embora o modelo RN proveja oportunidades de melhorias operacionais de sistemas de produção flutuantes, um sistema e método melhores são necessários para treinar o modelo RN para operar em um determinado ambiente e em outras aplicações.
[009] A presente invenção provê um sistema e método para contornar a necessidade de retreinar o modelo de rede neural após inicialmente treinado usando um simulador, comparando dados do mundo real
3 / 19 aos dados previstos pelo simulador para as mesmas entradas e desenvolvendo uma correlação de mapeamento que ajusta os dados do mundo real para os dados de simulação. Assim, a lógica de decisão desenvolvida no modelo RN treinado por simulação é preservada e continua a operar no que pode ser descrita como uma realidade alterada. Uma métrica de limite de similaridade, tal como uma porcentagem de correlação, pode ser provida inicialmente no algoritmo de mapeamento, que ajusta automaticamente os dados do mundo real aos dados ajustados correspondentes aos dados de simulação para operar o modelo de rede neural quando a métrica de similaridade entre os dados do mundo real e os dados de simulação excede a métrica de limite. O aprendizado atualizado pode continuar conforme desejado, trabalhando em segundo plano enquanto as condições do sistema são monitoradas, como para um sistema de produção flutuante. Quando os dados reais estão dentro da métrica de limite, os dados reais podem ser providos ao modelo RN como dados operacionais. Quando os dados do mundo real excedem a métrica de limite dos dados de simulação, o sistema pode começar a ajustar as entradas para o modelo RN ajustando os dados do mundo real aos dados ajustados correspondentes aos dados da simulação. Os dados ajustados podem ser providos ao modelo RN como dados operacionais. O aprendizado atualizado pode continuar conforme desejado, trabalhando em segundo plano enquanto as condições são monitoradas.
[0010] A descrição provê um método para operar um modelo de rede neural, compreendendo: prover dados de simulação para o modelo de rede neural, os dados de simulação incluindo pelo menos um valor simulado de uma variável e pelo menos um resultado de simulação correspondente a pelo menos um valor simulado da variável; prover lógica de decisão ao modelo de rede neural para processar os dados de simulação para uma saída de modelo de rede neural; obter dados do mundo real incluindo pelo menos um valor do mundo real da variável e pelo menos um resultado do mundo real
4 / 19 correspondente a pelo menos um valor do mundo real da variável; comparar os dados do mundo real com os dados de simulação para determinar uma métrica de similaridade entre os dados do mundo real e os dados de simulação; prover os dados do mundo real como dados operacionais para o modelo de rede neural se a métrica de similaridade for dados de simulação maiores do que uma métrica de limite para produzir uma saída correspondente a uma saída com os dados de simulação do modelo de rede neural; ajustar os dados do mundo real para corresponder aos dados de simulação e prover os dados ajustados como os dados operacionais para o modelo de rede neural se a métrica não for maior do que a métrica de limite; e operar o modelo de rede neural com os dados ajustados que correspondem pelo menos dentro da faixa dos dados de simulação para produzir uma saída com os dados ajustados correspondendo a uma saída com os dados de simulação do modelo de rede neural.
[0011] A descrição também provê um sistema compreendendo: uma unidade central de processamento; uma memória legível por computador não transitória incluindo instruções de programa executáveis por processador que, quando executadas, fazem com que a unidade de processamento central realize operações que compreendem: armazenar dados de simulação na memória para um modelo de rede neural, os dados de simulação incluindo pelo menos um valor simulado de uma variável e pelo menos um resultado de simulação correspondente a pelo menos um valor simulado da variável; armazenar dados de simulação de lógica de decisão na memória para que o modelo de rede neural processe os dados de simulação; armazenar dados do mundo real na memória incluindo pelo menos um valor do mundo real da variável e pelo menos um resultado do mundo real correspondente a pelo menos um valor do mundo real da variável; comparar os dados do mundo real com os dados de simulação para determinar uma métrica de similaridade entre os dados do mundo real e os dados de simulação; prover os dados do mundo
5 / 19 real como dados operacionais para o modelo de rede neural se a métrica de similaridade for maior que dados de simulação de uma métrica de limite para produzir uma saída correspondente a uma saída com os dados de simulação do modelo de rede neural; ajustar os dados do mundo real para corresponder aos dados de simulação e prover os dados ajustados como os dados operacionais para o modelo de rede neural se a métrica não for maior do que a métrica de limite; e operar o modelo de rede neural com os dados ajustados que correspondem pelo menos dentro da faixa dos dados de simulação para produzir uma saída com os dados ajustados correspondendo a uma saída com os dados de simulação do modelo de rede neural.
[0012] A Figura 1 é uma vista superior esquemática de um exemplo de um sistema flutuante com cabos de amarração e um sistema de monitoramento.
[0013] A Figura 2 é um fluxograma esquemático de um exemplo de uma modalidade da invenção.
[0014] A Figura 3 é um diagrama de blocos que ilustra um sistema de computador 700 no qual uma modalidade da invenção pode ser implementada.
[0015] As Figuras descritas acima e a descrição por escrito de estruturas e funções específicas abaixo não são apresentadas para limitar o escopo do que a Requerente inventou ou o escopo das reivindicações anexas. Em vez disso, as Figuras e descrição por escrito são providas para ensinar qualquer versado na técnica a fazer e usar as invenções para as quais é procurada a proteção de patente. Os versados na técnica compreenderão que nem todas as características de uma modalidade comercial das invenções são descritas ou mostradas por razões de clareza e compreensão. Os versados nesta técnica compreenderão também que o desenvolvimento de uma
6 / 19 modalidade comercial real que incorpora aspectos da presente descrição requererá inúmeras decisões específicas de implementação para alcançar o objetivo final do desenvolvedor para a modalidade comercial.
Tais decisões específicas de implementação podem incluir, e provavelmente não estão limitadas a conformidade com restrições relacionadas ao sistema, relacionadas a negócios, relacionadas ao governo e outras restrições, que podem variar por implementação ou localização específica, ou com o tempo.
Embora os esforços de um desenvolvedor possam ser complexos e demorados em um sentido absoluto, tais esforços seriam, no entanto, um empreendimento de rotina para os versados na técnica que se beneficiam desta descrição.
Deve ser entendido que as invenções descritas e ensinadas aqui são susceptíveis a inúmeras e diversas modificações e formas alternativas.
O uso de um termo singular, tal como, mas não limitado a “um”, não pretende limitar o número de itens.
Além disso, os diversos métodos e modalidades do sistema podem ser incluídos em combinação uns com os outros para produzir variações dos métodos e modalidades descritos.
Discussão de elementos singulares pode incluir elementos plurais e vice-versa.
As referências a pelo menos um item podem incluir um ou mais itens.
Além disso, diversos aspectos das modalidades podem ser usados em conjunto uns com os outros para realizar os objetivos compreendidos da descrição.
A menos que o contexto exija o contrário, o termo “compreender” ou variações tais como “compreende” ou “compreendendo” deve ser entendido como implicando a inclusão pelo menos do elemento indicado ou etapa ou grupo de elementos ou etapas ou equivalentes do mesmo e não a exclusão de uma quantidade numérica maior ou qualquer outro elemento ou etapa ou grupo de elementos ou etapas ou equivalentes do mesmo.
O dispositivo ou sistema pode ser usado em diversas direções e orientações.
Os termos “superior”, “cima”, “vertical”, “inferior”, “baixo”, “para baixo” e termos direcionais semelhantes são usados para indicar a direção relativa às figuras e sua orientação ilustrada e não são
7 / 19 absolutos em uso comercial, mas podem variar conforme a montagem varia sua orientação. A ordem das etapas pode ocorrer em uma variedade de sequências, a menos que seja especificamente limitado de outro modo. As diversas etapas aqui descritas podem ser combinadas com outras etapas, interligadas com as etapas indicadas e/ou divididas em diversas etapas. De modo similar, os elementos foram descritos funcionalmente e podem ser incorporados como componentes separados ou podem ser combinados em componentes com múltiplas funções. Alguns elementos são nomeados por um nome de dispositivo para simplicidade e seriam entendidos como incluindo um sistema de componentes relacionados que são conhecidos pelos versados na técnica e podem não ser especificamente descritos. Diversos exemplos são providos na descrição e figuras que executam diversas funções e não são limitantes em forma, tamanho, descrição, mas servem como estruturas ilustrativas que podem ser variadas como seria conhecido por alguém versado na técnica, dados os ensinamentos contidos aqui. Como tal, o uso do termo “exemplificativo” é a forma adjetiva do substantivo “exemplo” e da mesma forma se refere a uma estrutura ilustrativa, e não necessariamente a uma modalidade preferida.
[0016] A presente invenção provê um sistema e método para contornar a necessidade de retreinar o modelo de rede neural após inicialmente treinado usando um simulador, comparando dados do mundo real aos dados previstos pelo simulador para as mesmas entradas e desenvolvendo uma correlação de mapeamento que ajusta os dados do mundo real para os dados de simulação. Assim, a lógica de decisão desenvolvida no modelo treinado por simulação é preservada e continua a operar em uma realidade alterada. Uma métrica de limite de similaridade pode ser provida inicialmente no algoritmo de mapeamento, que ajusta automaticamente os dados do mundo real aos dados ajustados correspondentes aos dados de simulação para operar o modelo de rede neural quando a métrica de similaridade entre os dados do
8 / 19 mundo real e os dados de simulação excede a métrica de limite. O aprendizado atualizado pode continuar conforme desejado, trabalhando em segundo plano enquanto as condições são monitoradas.
[0017] A Figura 1 é uma vista superior esquemática de um exemplo de um sistema flutuante com cabos de amarração e um sistema de monitoramento. Um sistema flutuante 2 pode incluir, por exemplo e sem limitação, uma plataforma de produção flutuante, FPSO, navio de perfuração, longarina, plataforma de perna de tração, navios semissubmersíveis e sondas e outros. O sistema flutuante 2 geralmente tem um casco 4 de alguma forma a partir do qual os cabos de amarração 6 podem ser acopladas geralmente ao fundo do mar (não mostrado). O equipamento de monitoramento 8, como sensores ou outros dispositivos de medição, pode ser acoplado aos cabos de amarração para monitorar uma ou mais condições do cabo de amarração. A saída do equipamento de monitoramento 8 pode ser comunicada ao sistema de computador 700. O sistema de computador pode incluir software e/ou hardware com componentes e tal como descrito na Figura 3 abaixo para realizar um modelo de rede neural 10. O modelo de rede neural pode ser pelo menos inicialmente treinado por um simulador 12 usando dados de simulação.
[0018] A Figura 2 é um fluxograma esquemático de um exemplo de uma modalidade da invenção. Na etapa 100, os dados de simulação são usados para treinar o modelo de rede neural (modelo RN). Os dados de simulação são ilustrados na forma de um ou mais conjuntos de dados (x, y(x)), onde uma variável selecionada x produz um resultado de simulação y como uma função de x para um determinado valor simulado de x. O modelo RN é treinado e produz uma saída z.
[0019] O modelo RN pode ser colocado em serviço e os dados do mundo real (MR) gerados pelo sistema podem ser enviados para o modelo RN. Na etapa 200, os dados MR são analisados para determinar se um fator de ajuste é necessário para a relação entre os dados MR para manter o
9 / 19 resultado z produzido pelo modelo RN quando ainda usando os dados de simulação (ou um equivalente aos dados de simulação). Uma métrica de limite de similaridade pode ser provida inicialmente em um algoritmo de mapeamento, que ajusta automaticamente os dados do mundo real aos dados ajustados correspondentes aos dados de simulação para operar o modelo de rede neural quando a métrica de similaridade entre os dados do mundo real e os dados de simulação excede a métrica de limite. O ajuste é feito para a relação entre os dados MR, para que o modelo RN não precise ser retreinado. O resultado de saída z é pelo menos similar usando os dados de simulação (x, y(x)) depois de aplicar o ajuste aos dados MR. Essencialmente, a relação (x, y(x)) é pré-filtrada com base em uma correlação de entrada e saída mais realista, mas sem a necessidade de fazer uma mudança substancial na lógica de decisão provida ao modelo RN. Assim, a lógica de decisão usada pelo modelo RN no tratamento da relação simulada entre x e y(x) no treinamento pode continuar a ser usada pelo modelo RN.
[0020] Mais especificamente, na etapa 210, o resultado MR y’(x) é gerado como uma função de x para um dado valor do mundo real de x. Na etapa 220, o resultado MR y’(x) é provido a um bloco de decisão que questiona se o resultado da simulação y(x) é similar ao resultado MR y’(x) (que pode ser responsável por diferentes valores de x e os resultados correspondentes para y). “Similaridade” pode ser definida matematicamente, como dentro de uma certa porcentagem ou dentro de uma faixa do resultado da simulação y(x), incluindo ser igual, ou outras métricas. A métrica de similaridade pode ser comparada com uma métrica de limite de similaridade. Se a métrica de similaridade atende aos critérios da métrica de limite, então os dados do mundo real podem ser providos como dados operacionais para o modelo RN na etapa 250. Nenhum ajuste é necessário na relação entre os dados MR (x, y’(x)) e os dados de simulação (x, y(x)), porque os dados MR são pelo menos similares aos dados de simulação. Portanto, os dados MR (x,
10 / 19 y’(x)) podem ser comunicados ao modelo RN, e a saída z resultante do modelo RN ainda é a mesma ou similar à saída z dos dados de simulação na etapa 120.
[0021] No entanto, se o resultado do bloco de decisão na etapa 220 é que a métrica de similaridade do resultado MR y’(x) e o resultado da simulação y(x) não atende aos critérios da métrica de limite, então o trajeto de fluxo se move para a etapa 230 para ajustes. Na etapa 230, um fator de ajuste (FA(x)) é calculado, de modo que o resultado MR y’(x) tenha pelo menos um valor similar ao resultado da simulação y(x). O FA(x) pode ser um ajuste linear ou não linear. Na etapa 240, o FA(x) é aplicado ao resultado MR y’(x) para produzir um resultado ajustado y*(x) que é pelo menos similar ao resultado da simulação y(x) e o conjunto de dados ajustado (x, y*(x)) é pelo menos similar ao conjunto de dados de simulação (x, y(x)). Na etapa 250, o conjunto de dados ajustado (x, y*(x)) que é similar ao conjunto de dados de simulação (x, y(x)) pode ser provido como dados operacionais para o modelo RN que produz uma saída z que é pelo menos similar à saída z na etapa 120.
[0022] Sabe-se que a natureza básica do modelo RN é tolerante a ruído / erro. Além disso, o modelo RN pode ser um aproximador universal que provê mapeamento de entrada-saída não linear, como por redes de alimentação direta multicamadas e outras técnicas. Assim, os valores similares produzidos pelo FA para (x, y*(x)) podem ser processados pelo modelo RN para produzir o resultado similar z.
[0023] O fluxograma da Figura 2 pode ser usado para cada variável x1, x2, . . .xn que simula um resultado correspondente y1, y2, . . . yn, para que os conjuntos de dados ajustados (xn, y*n(x)) possam ser aplicados ao modelo RN. O fluxograma também pode ser aplicado a resultados que dependem de diversos fatores. Por exemplo, um resultado y pode ser uma função de mais de uma variável, como y(x1, x2, . . . xn). O FA pode ser aplicado ao resultado MR y’ que é dependente de múltiplas variáveis para produzir o resultado
11 / 19 ajustado y* que é pelo menos similar ao resultado da simulação y.
[0024] Como um exemplo para ilustrar os conceitos descritos acima, um conjunto de dados de simulação pode ser um deslocamento x da embarcação de 30 metros produz um resultado y de 100 segundos que indica um cabo intacto e um resultado y de 120 segundos que indica uma falha no cabo de amarração. O modelo RN é treinado com os dados de simulação para realizar uma série de ações crescentes z, com base nos dados de simulação ({30 metros, 100 segundos}: cabo intacto e {30 metros, 120 segundos}: falha). No entanto, os dados MR indicam que o modelo de simulação não corresponde à rigidez do sistema em MR. Os dados MR sugerem que um deslocamento x da embarcação de 30 metros corresponde a um resultado y’ de 110 segundos para um cabo intacto e um resultado y’ de 132 segundos para um cabo partido. Em seguida, o MR y’ de 110 segundos precisa ser ajustado para 100 segundos para um cabo intacto, e o MR y’ de 132 segundos precisa ser ajustado para 120 segundos para um cabo partido. Os dados ajustados (x, y*(x) de ({30 metros, 100 segundos}: cabo intacto e {30 metros, 120 segundos}: falha), sendo os mesmos que os dados de simulação (x, y), podem ser providos ao modelo RN para produzir as mesmas ações z. O modelo RN não sabe (ou seja, opera independentemente) do fator de ajuste, e o modelo RN opera com os dados ajustados como fez com os dados de simulação, de forma que essa lógica ({30 metros, 100 segundos}: cabo intacto e {30 metros, 120 segundos}: falha) ainda se mantém. Assim, o modelo RN não precisa ser retreinado. (Nesse exemplo, as capacidades do modelo de rede neural em aprendizagem e ações não são totalmente descritas como seria apreciado por alguém versado na técnica, e a lógica de decisão e os resultados podem ser bastante complicados. Portanto, o exemplo é apenas ilustrativo dos conceitos subjacentes da invenção e sem limitação.)
[0025] De forma mais ampla, um exemplo dessa aplicação é para a detecção de cabo de amarração danificado com base nos longos períodos de
12 / 19 desvio de uma embarcação fora da costa flutuante. Nesse caso, a entrada simulada para o modelo de rede neural poderia ser: • Posição da embarcação ou deslocamento médio da embarcação • Massa total da embarcação (calado da embarcação) • Longos períodos de desvio da embarcação para a posição da embarcação correspondente e a massa total da embarcação
[0026] Sendo : • x1 = deslocamento médio da embarcação na direção de avanço • x2 = deslocamento médio da embarcação na direção de deriva • x3 = massa total da embarcação • y1 = longo período de desvio da embarcação na direção de avanço de simulação • y2 = longo período de desvio da embarcação na direção de deriva de simulação
[0027] As variáveis de saída do modelo de rede neural são indicadores de danos de cada cabo de amarração, um indicador para um cabo de amarração. Então: • y1 = f(x1, x2, x3) • y2 = f(x1, x2, x3)
[0028] Os longos períodos de desvio da embarcação, que são função da posição e da massa total da embarcação, são baseados nos resultados da simulação numérica e são usados para treinar um modelo de rede neural (modelo RN). Assim, o modelo RN treinado vê tudo no “mundo da simulação”.
[0029] Os resultados MR correspondentes podem ser descritos como: • ‘1 = longo período de desvio da embarcação na direção de
13 / 19 avanço no mundo real • ‘2= longo período de desvio da embarcação na direção de deriva no mundo real
[0030] No mundo real, os longos períodos de desvio da embarcação em uma determinada posição da embarcação e para uma determinada massa total da embarcação podem ser diferentes dos longos períodos de desvio da embarcação no “mundo da simulação”. Se os longos períodos de desvio da embarcação no mundo real não fossem os mesmos do “mundo da simulação”, então a seguinte desigualdade se aplicaria.
[0031] • y’1(x1, x2, x3) ≠ y1(x1, x2, x3) • y’2(x1, x2, x3) ≠ y2(x1, x2, x3)
[0032] Se a diferença for suficiente, então as funções de transferência para fatores de ajuste podem ser estabelecidas para transferir os longos períodos de desvio da embarcação no mundo real para aqueles do “mundo de simulação”. Uma vez transferidos para o ‘mundo de simulação’, esses fatores de ajuste podem ser usados para ajustar a entrada para o modelo RN treinado por simulação, e o modelo RN treinado por simulação pode funcionar como está, uma vez que os dados foram transferidos para os dados do “mundo de simulação”.
[0033] A Figura 3 é um diagrama de blocos que ilustra um sistema de computador 700 no qual uma modalidade da invenção incluindo o modelo de rede neural pode ser implementada. De acordo com uma modalidade, as técnicas descritas neste documento são implementadas por um ou mais dispositivos de computação para fins específicos. Os dispositivos de computação para fins específicos podem ser conectados para realizar as técnicas ou podem incluir dispositivos eletrônicos digitais, como um ou mais circuitos integrados específicos de aplicativo (ASICs) ou arranjos de portas programável em campo (FPGAs) que são persistentemente programadas para realizar as técnicas ou podem incluir um ou mais processadores de hardware
14 / 19 de uso geral programados para realizar as técnicas de acordo com as instruções de programa em firmware, memória, outro armazenamento ou uma combinação. Esses dispositivos de computação para fins específicos também podem combinar lógica conectada personalizada, ASICs ou FPGAs com programação personalizada para efetuar as técnicas. Os dispositivos de computação para fins específicos podem ser sistemas de computador de mesa, sistemas de computador portátil, dispositivos portáteis, dispositivos de rede ou qualquer outro dispositivo que incorpore lógica de programa e/ou conectada para implementar as técnicas.
[0034] Em pelo menos uma modalidade, um sistema de computador 700 inclui um barramento 702 ou outro mecanismo de comunicação para comunicar informações, e um processador de hardware 704 acoplado ao barramento 702 para processar informações. O processador de hardware 704 pode ser, por exemplo, um microprocessador de uso geral. O sistema de computador 700 também inclui uma memória principal 706, tal como uma memória de acesso aleatório (RAM) ou outro dispositivo de armazenamento dinâmico, acoplado ao barramento 702 para armazenar informações e instruções a serem executadas pelo processador 704, e pode incluir uma ou mais etapas mostradas no fluxograma da Figura 2. A memória principal 706 também pode ser usada para armazenar variáveis temporárias ou outras informações intermediárias durante a execução de instruções a serem executadas pelo processador 704. Tais instruções, quando armazenadas em meios de armazenamento não transitórios acessíveis ao processador 704, tornam o sistema de computador 700 em uma máquina para fins específicos que é personalizada para realizar as operações especificadas nas instruções. O sistema de computador 700 inclui adicionalmente uma memória somente de leitura (ROM) 708 ou outro dispositivo de armazenamento estático acoplado ao barramento 702 para armazenar informações estáticas e instruções para o processador 704. Um dispositivo de armazenamento 710, como um disco
15 / 19 magnético ou disco óptico, é provido e acoplado ao barramento 702 para armazenar informações e instruções. O sistema de computador 700 pode ser acoplado por meio de barramento 702 a um monitor 712, como um visor de diodo emissor de luz (LED), para exibir informações para um usuário de computador. Um dispositivo de entrada 714, incluindo teclas alfanuméricas e outras, é acoplado ao barramento 702 para comunicar informações e seleções de comando para o processador 704. Outro tipo de dispositivo de entrada do usuário é o controle do cursor 716, como um mouse, um mouse de esfera ou teclas direcionais do cursor para comunicar informações de direção e seleções de comando para o processador 704 e para controlar o movimento do cursor no visor 712. Esse dispositivo de entrada normalmente tem dois graus de liberdade em dois eixos, um primeiro eixo (por exemplo, x) e um segundo eixo (por exemplo, y), que permite ao dispositivo especificar posições em um plano.
[0035] O sistema de computador 700 pode implementar as técnicas descritas neste documento usando lógica conectada personalizada, um ou mais ASICs ou FPGAs, firmware e/ou lógica de programa que em combinação com o sistema de computador faz ou programa o sistema de computador 700 para ser uma máquina para fins específicos. De acordo com uma modalidade, as técnicas neste documento são realizadas pelo sistema de computador 700 em resposta ao processador 704 executando uma ou mais sequências de uma ou mais instruções contidas na memória principal 706. Tais instruções podem ser lidas na memória principal 706 a partir de outro meio de armazenamento, como o dispositivo de armazenamento 710. A execução das sequências de instruções contidas na memória principal 706 faz com que o processador 704 realize as etapas do processo aqui descritas. Em modalidades alternativas, o conjunto de circuitos conectado pode ser usado no lugar ou em combinação com as instruções do software.
[0036] O termo “meio de armazenamento”, conforme usado neste
16 / 19 documento, refere-se a qualquer meio não transitório que armazena dados e/ou instruções que fazem com que uma máquina opere de uma maneira específica. Esses meios de armazenamento podem compreender meios não voláteis e/ou meios voláteis. O meio não volátil inclui, por exemplo, discos ópticos ou magnéticos, como o dispositivo de armazenamento 710. O meio volátil inclui memória dinâmica, como memória principal 706. Formas comuns de meio de armazenamento incluem, por exemplo, um disquete, um disco flexível, disco rígido, unidade de estado sólido, fita magnética ou qualquer outro meio de armazenamento de dados magnéticos, um CD-ROM, qualquer outro meio de armazenamento de dados ópticos, qualquer meio com padrões de orifícios, uma RAM, uma PROM e EPROM, uma FLASH- EPROM, NVRAM, qualquer outro chip ou cartucho de memória.
[0037] O meio de armazenamento é diferente, mas pode ser usado em conjunto com o meio de transmissão. O meio de transmissão participa da transferência de informações entre os meios de armazenamento. Por exemplo, o meio de transmissão inclui cabos coaxiais, fios de cobre, e fibras ópticas, incluindo os fios que compreendem barramento 702. O meio de transmissão também pode assumir a forma de ondas acústicas ou de luz, como as geradas durante a comunicação de dados por ondas de rádio e infravermelho.
[0038] Diversas formas de meio podem estar envolvidas na realização de uma ou mais sequências de uma ou mais instruções para o processador 704 para execução. Por exemplo, as instruções podem ser inicialmente transportadas em um disco magnético ou unidade de estado sólido de um computador remoto. O computador remoto pode carregar as instruções em sua memória dinâmica e enviar as instruções por uma linha telefônica usando um modem. Um modem local para sistema de computador 700 pode receber os dados na linha telefônica e usar um transmissor infravermelho para converter os dados em um sinal infravermelho. Um detector infravermelho pode receber os dados transportados no sinal infravermelho e o conjunto de circuitos
17 / 19 apropriado pode colocar os dados no barramento 702. O barramento 702 transporta os dados para a memória principal 706, a partir da qual o processador 704 recupera e executa as instruções. As instruções recebidas pela memória principal 706 podem opcionalmente ser armazenadas no dispositivo de armazenamento 710 antes ou após a execução pelo processador
704.
[0039] O sistema de computador 700 também inclui uma interface de comunicação 718 acoplada ao barramento 702. A interface de comunicação 718 provê um acoplamento de comunicação de dados bidirecional a um enlace de rede 720 que está conectado a uma rede local 722. Por exemplo, a interface de comunicação 718 pode ser uma placa de rede digital de serviços integrados (ISDN), modem a cabo, modem via satélite ou um modem para prover uma conexão de comunicação de dados a um tipo correspondente de linha telefônica. Como outro exemplo, a interface de comunicação 718 pode ser uma placa de rede local (LAN) para prover uma conexão de comunicação de dados a uma LAN compatível. Enlaces sem fio também podem ser implementados. Em qualquer uma dessas implementações, a interface de comunicação 718 envia e recebe sinais elétricos, eletromagnéticos ou ópticos que transportam fluxos de dados digitais representando diversos tipos de informação.
[0040] O enlace de rede 720 normalmente provê comunicação de dados através de uma ou mais redes para outros dispositivos de dados. Por exemplo, o enlace de rede 720 pode prover uma conexão através da rede local 722 a um computador hospedeiro 724 ou a um equipamento de dados operado por um Provedor de Serviços de Internet (ISP) 726. O ISP 726, por sua vez, provê serviços de comunicação de dados através da rede mundial de comunicação de dados por pacote comumente chamada de “Internet” 728. A rede local 722 e a Internet 728 usam sinais elétricos, eletromagnéticos ou ópticos que transportam fluxos de dados digitais. Os sinais através das
18 / 19 diversas redes e os sinais no enlace de rede 720 e através da interface de comunicação 718, que transportam os dados digitais para e do sistema de computador 700, são formas exemplificativas de meios de transmissão.
[0041] Os dados podem ser dados do mundo real comunicados ao sistema 700 a partir de sensores, monitores e outros dispositivos em condições e outros parâmetros selecionados, conforme descrito acima. Os dados também podem ser dados de simulação do simulador, conforme descrito acima. Os dados podem ser comunicados por meio do computador hospedeiro 724, da rede local 722 ou remotamente por meio, por exemplo, de um ISP 726 com acesso à Internet 728.
[0042] O sistema de computador 700 pode enviar mensagens e receber dados, incluindo código de programa, através da(s) rede(s), enlace de rede 720 e interface de comunicação 718. No exemplo da Internet, um servidor 730 pode transmitir um código solicitado para um programa de aplicativo através da Internet 728, ISP 726, rede local 722 e interface de comunicação 718. O código recebido pode ser executado pelo processador 704 conforme é recebido e/ou armazenado no dispositivo de armazenamento 710 ou outro armazenamento não volátil para execução posterior.
[0043] Outras modalidades adicionais que utilizam um ou mais aspectos da invenção descritos acima podem ser concebidas sem se afastarem da invenção descrita conforme definido nas reivindicações. Por exemplo, outros sistemas além dos sistemas de produção flutuantes podem se beneficiar do treinamento do modelo de rede neural e da eficiência da invenção e estão incluídos no escopo da invenção e aplicabilidade. Como outros exemplos, diferentes fatores de ajuste linear e não linear podem ser usados, diversos métodos de aproximação além dos métodos de alimentação direta de multicamadas para o modelo de rede neural podem ser utilizados e outras variações podem ocorrer dentro do escopo das reivindicações.
[0044] A invenção foi descrita no contexto de modalidades preferidas
19 / 19 e outras modalidades, e nem toda modalidade da invenção foi descrita.
Modificações e alterações óbvias nas modalidades descritas estão disponíveis para os versados na técnica.
As modalidades descritas e não descritas não pretendem limitar ou restringir o escopo ou a aplicabilidade da invenção concebida pela Requerente, mas em vez disso, de acordo com as leis de patentes, a Requerente pretende proteger integralmente todas as modificações e melhoramentos que se enquadram no escopo, incluindo equivalentes das reivindicações seguintes.
Claims (7)
1. Método para operar um modelo de rede neural, caracterizado pelo fato de que compreende: prover dados de simulação para o modelo de rede neural, os dados de simulação incluindo pelo menos um valor simulado de uma variável e pelo menos um resultado de simulação correspondente a pelo menos um valor simulado da variável; prover lógica de decisão ao modelo de rede neural para processar os dados de simulação para uma saída de modelo de rede neural; obter dados do mundo real incluindo pelo menos um valor do mundo real da variável e pelo menos um resultado do mundo real correspondente a pelo menos um valor do mundo real da variável; comparar os dados do mundo real com os dados de simulação para determinar uma métrica de similaridade entre os dados do mundo real e os dados de simulação; prover os dados do mundo real como dados operacionais para o modelo de rede neural se a métrica de similaridade for dados de simulação maiores do que uma métrica de limite para produzir uma saída correspondente a uma saída com os dados de simulação do modelo de rede neural; ajustar os dados do mundo real para corresponder aos dados de simulação e prover os dados ajustados como os dados operacionais para o modelo de rede neural se a métrica não for maior do que a métrica de limite; e operar o modelo de rede neural com os dados ajustados que correspondem pelo menos dentro da faixa dos dados de simulação para produzir uma saída com os dados ajustados correspondendo a uma saída com os dados de simulação do modelo de rede neural.
2. Método de acordo com a reivindicação 1, caracterizado pelo fato de que operar o modelo de rede neural compreende operar a rede neural para monitorar um sistema flutuante.
3. Método de acordo com a reivindicação 1, caracterizado pelo fato de que os dados de simulação e dados do mundo real podem ser aplicados a cabos de amarração em um sistema flutuante.
4. Método de acordo com a reivindicação 1, caracterizado pelo fato de que os dados da simulação incluem múltiplas variáveis para o resultado da simulação.
5. Método de acordo com a reivindicação 1, caracterizado pelo fato de que prover dados de simulação para o modelo de rede neural compreende prover dados para um sistema flutuante compreendendo deslocamento médio do sistema flutuante na direção de avanço, deslocamento médio do sistema flutuante na direção de deriva, e massa total do sistema flutuante como variáveis e o longo período de desvio do sistema flutuante na direção de avanço e o longo período de desvio do sistema flutuante na direção de deriva como resultados.
6. Método de acordo com a reivindicação 5, caracterizado pelo fato de que obter dados do mundo real compreende obter o longo período de desvio do sistema flutuante na direção de avanço no mundo real e o longo período de desvio do sistema flutuante na direção de deriva no mundo real.
7. Sistema, caracterizado pelo fato de que compreende: uma unidade de processamento central; uma memória legível por computador não transitória, incluindo instruções de programa executáveis por processador que, quando executadas, fazem com que a unidade de processamento central realize operações que compreendem: armazenar dados de simulação na memória para um modelo de rede neural, os dados de simulação incluindo pelo menos um valor simulado de uma variável e pelo menos um resultado de simulação correspondente a pelo menos um valor simulado da variável; armazenar dados de simulação de lógica de decisão na memória para que o modelo de rede neural processe os dados de simulação; armazenar dados do mundo real na memória incluindo pelo menos um valor do mundo real da variável e pelo menos um resultado do mundo real correspondente a pelo menos um valor do mundo real da variável; comparar os dados do mundo real com os dados de simulação para determinar uma métrica de similaridade entre os dados do mundo real e os dados de simulação; prover os dados do mundo real como dados operacionais para o modelo de rede neural se a métrica de similaridade for maior que dados de simulação de uma métrica de limite para produzir uma saída correspondente a uma saída com os dados de simulação do modelo de rede neural; ajustar os dados do mundo real para corresponder aos dados de simulação e prover os dados ajustados como os dados operacionais para o modelo de rede neural se a métrica não for maior do que a métrica de limite; e operar o modelo de rede neural com os dados ajustados que correspondem pelo menos dentro da faixa dos dados de simulação para produzir uma saída com os dados ajustados correspondendo a uma saída com os dados de simulação do modelo de rede neural.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/003,443 US11315015B2 (en) | 2018-06-08 | 2018-06-08 | Continuous learning of simulation trained deep neural network model |
| US16/003,443 | 2018-06-08 | ||
| PCT/IB2019/000748 WO2019234505A1 (en) | 2018-06-08 | 2019-06-06 | Continuous learning of simulation trained deep neural network model for floating production platforms, vessels and other floating systems. |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| BR112020024951A2 true BR112020024951A2 (pt) | 2021-03-09 |
Family
ID=67997650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112020024951-3A BR112020024951A2 (pt) | 2018-06-08 | 2019-06-06 | Método para operar um modelo de rede neural, e, sistema |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US11315015B2 (pt) |
| EP (1) | EP3802310A1 (pt) |
| JP (1) | JP7129498B2 (pt) |
| KR (1) | KR20210019006A (pt) |
| CN (1) | CN112424063B (pt) |
| BR (1) | BR112020024951A2 (pt) |
| WO (1) | WO2019234505A1 (pt) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200306960A1 (en) * | 2019-04-01 | 2020-10-01 | Nvidia Corporation | Simulation of tasks using neural networks |
| CA3167055A1 (en) * | 2020-02-07 | 2021-08-12 | Killian Hure | Mooring buoy comprising a data transfer system |
| WO2022000430A1 (zh) * | 2020-07-02 | 2022-01-06 | 深圳市欢太科技有限公司 | 服务器威胁评定方法及相关产品 |
| US11614075B2 (en) * | 2021-08-09 | 2023-03-28 | Technip Energies France | Method of monitoring and advising for a group of offshore floating wind platforms |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1121607A (zh) * | 1994-10-28 | 1996-05-01 | 中国船舶工业总公司第七研究院第七○二研究所 | 船舶动力定位的神经网络控制系统及其方法 |
| US5920852A (en) | 1996-04-30 | 1999-07-06 | Grannet Corporation | Large memory storage and retrieval (LAMSTAR) network |
| US6376831B1 (en) * | 2000-02-24 | 2002-04-23 | The United States Of America As Represented By The Secretary Of The Navy | Neural network system for estimating conditions on submerged surfaces of seawater vessels |
| JP2003022134A (ja) | 2001-07-06 | 2003-01-24 | Mitsubishi Heavy Ind Ltd | 浮体位置制御システム及び浮体位置制御シミュレータ |
| US8756047B2 (en) | 2010-09-27 | 2014-06-17 | Sureshchandra B Patel | Method of artificial nueral network loadflow computation for electrical power system |
| US20140063061A1 (en) * | 2011-08-26 | 2014-03-06 | Reincloud Corporation | Determining a position of an item in a virtual augmented space |
| KR101518720B1 (ko) * | 2015-02-15 | 2015-05-08 | (주)부품디비 | 해양자원 생산장비의 예지보전을 위한 고장유형관리 장치 및 방법 |
| US10372976B2 (en) * | 2016-05-05 | 2019-08-06 | Brunswick Corporation | Person detection in a marine environment |
| US10521677B2 (en) * | 2016-07-14 | 2019-12-31 | Ford Global Technologies, Llc | Virtual sensor-data-generation system and method supporting development of vision-based rain-detection algorithms |
| CN107545250A (zh) | 2017-08-31 | 2018-01-05 | 哈尔滨工程大学 | 一种基于海浪图像遥感和人工智能的海洋浮体运动实时预报系统 |
| US10800040B1 (en) * | 2017-12-14 | 2020-10-13 | Amazon Technologies, Inc. | Simulation-real world feedback loop for learning robotic control policies |
-
2018
- 2018-06-08 US US16/003,443 patent/US11315015B2/en active Active
-
2019
- 2019-06-06 BR BR112020024951-3A patent/BR112020024951A2/pt not_active Application Discontinuation
- 2019-06-06 CN CN201980047590.4A patent/CN112424063B/zh active Active
- 2019-06-06 WO PCT/IB2019/000748 patent/WO2019234505A1/en unknown
- 2019-06-06 JP JP2020568440A patent/JP7129498B2/ja active Active
- 2019-06-06 KR KR1020207035174A patent/KR20210019006A/ko unknown
- 2019-06-06 EP EP19770167.5A patent/EP3802310A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| CN112424063B (zh) | 2023-12-22 |
| CN112424063A (zh) | 2021-02-26 |
| US20190378005A1 (en) | 2019-12-12 |
| KR20210019006A (ko) | 2021-02-19 |
| EP3802310A1 (en) | 2021-04-14 |
| WO2019234505A1 (en) | 2019-12-12 |
| US11315015B2 (en) | 2022-04-26 |
| JP7129498B2 (ja) | 2022-09-01 |
| JP2021527258A (ja) | 2021-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| BR112020024951A2 (pt) | Método para operar um modelo de rede neural, e, sistema | |
| US11610131B2 (en) | Ensembling of neural network models | |
| US10410121B2 (en) | Adjusting automated neural network generation based on evaluation of candidate neural networks | |
| ES2909047T3 (es) | Método y sistema para minar eficientemente elementos esenciales de un conjunto de datos con estrategia de remuestreo con reposición en estimación de pose con 6DOF de objetos en 3D | |
| US10055684B2 (en) | System and method for using an artificial neural network to simulate pipe hydraulics in a reservoir simulator | |
| Liu et al. | A Bayesian network based method for reliability analysis of subsea blowout preventer control system | |
| CN108701253A (zh) | 使用规范化的目标输出训练神经网络 | |
| US20200202210A1 (en) | Systems and methods for training a neural network | |
| US9946629B2 (en) | System, method and apparatus for deriving root cause for software test failure | |
| US11514314B2 (en) | Modeling environment noise for training neural networks | |
| CN109416408A (zh) | 震中距估计装置、震中距估计方法以及计算机可读记录介质 | |
| US20210333768A1 (en) | Control support apparatus, control support method, computer readable medium with control support program recorded thereon and control system | |
| BR102022003236A2 (pt) | Sistema e método para combinar uma sequência de quadros de teste com uma sequência de quadros de referência | |
| Sundararaman et al. | Data driven virtual sensors for riser prognostic integrity management | |
| Zhao et al. | Detecting operational adversarial examples for reliable deep learning | |
| US11243835B1 (en) | Message-based problem diagnosis and root cause analysis | |
| WO2021240300A1 (en) | Machine learning model error detection | |
| Diamoutene et al. | Quality control in machining using order statistics | |
| CN110537002A (zh) | 用于监测生产系统中的管接头的位置的系统和方法 | |
| US20220318465A1 (en) | Predicting and avoiding failures in computer simulations using machine learning | |
| Thoresen et al. | Using an advanced digital twin to improve downhole pressure control | |
| WO2022249224A1 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
| US20080256520A1 (en) | Method for analyzing ffects of performance characteristics of an application based on complex configuration models | |
| Pacis et al. | Transfer Learning Approach to Prediction of Rate of Penetration in Drilling | |
| US20200226224A1 (en) | Machine learning based fluid simulation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B350 | Update of information on the portal [chapter 15.35 patent gazette] | ||
| B07A | Application suspended after technical examination (opinion) [chapter 7.1 patent gazette] | ||
| B09B | Patent application refused [chapter 9.2 patent gazette] | ||
| B12B | Appeal against refusal [chapter 12.2 patent gazette] | ||
| B25D | Requested change of name of applicant approved |
Owner name: TECHNIP ENERGIES FRANCE (FR) |