English(EN) Two-stage Residual Learning for Modelling Strength-Informed Optimisation of Thermal Systems

新的两阶段残差学习改进热力系统优化

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-15 04:00

研究人员开发了一种新颖的两阶段残差学习（TSRL）框架，使用人工神经网络来提高机器学习模型在优化热力系统方面的准确性。该框架通过使用基础人工神经网络预测输出，并使用第二个残差人工神经网络学习基础模型的误差来解决局部建模不准确的问题。将TSRL框架应用于原油蒸馏装置和工业燃气轮机，显著降低了预测误差，提高了燃油预测和涡轮机热耗率的准确性。 AI

影响该框架有望实现对复杂热力系统更准确、更可靠的优化，从而提高工业运营的效率和安全性。

排序理由这是一篇详细介绍新机器学习框架的研究论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 14 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 这是一篇详细介绍新机器学习框架的研究论文。
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Talha Ansar, Waqar Muhammad Ashraf, Abdulelah S. Alshehri, Omar Bayomie · 2026-10-15 04:00

面向热力系统强度信息优化建模的两阶段残差学习

arXiv:2610.19539v1 Announce Type: new Abstract: Aggregate performance metrics do not identify local modelling inaccuracies in machine learning (ML) surrogates used for thermal-system optimisation. This study assesses local modelling strength through validation-based reliability s…

本文如何被排名

报道来源 [1]

面向热力系统强度信息优化建模的两阶段残差学习

相关实体

相关话题