Fugu-MT 論文翻訳(概要): Adaptation of Engineering Wake Models using Gaussian Process Regression and High-Fidelity Simulation Data

論文の概要: Adaptation of Engineering Wake Models using Gaussian Process Regression and High-Fidelity Simulation Data

arxiv url: http://arxiv.org/abs/2003.13323v1
Date: Mon, 30 Mar 2020 10:22:57 GMT
ステータス: 処理完了
システム内更新日: 2022-12-18 07:26:01.459689
Title: Adaptation of Engineering Wake Models using Gaussian Process Regression and High-Fidelity Simulation Data
Title（参考訳）: ガウス過程回帰と高忠実度シミュレーションデータを用いたエンジニアリングウェイクモデルの適応
Authors: Leif Erik Andersson, Bart Doekemeijer, Daan van der Hoek, Jan-Willem van Wingerden, Lars Imsland
Abstract要約: 本稿では,9基の風力発電所のヨー制御入力の最適化について検討する。高忠実度シミュレータSOWFAを用いて風力発電を模擬する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This article investigates the optimization of yaw control inputs of a nine-turbine wind farm. The wind farm is simulated using the high-fidelity simulator SOWFA. The optimization is performed with a modifier adaptation scheme based on Gaussian processes. Modifier adaptation corrects for the mismatch between plant and model and helps to converge to the actual plan optimum. In the case study the modifier adaptation approach is compared with the Bayesian optimization approach. Moreover, the use of two different covariance functions in the Gaussian process regression is discussed. Practical recommendations concerning the data preparation and application of the approach are given. It is shown that both the modifier adaptation and the Bayesian optimization approach can improve the power production with overall smaller yaw misalignments in comparison to the Gaussian wake model.
Abstract（参考訳）: 本稿は,九段式風力発電機のヨー制御入力の最適化について検討する。高忠実度シミュレータSOWFAを用いて風力発電をシミュレーションする。最適化はガウス過程に基づく修飾器適応スキームを用いて行われる。修正子適応は、プラントとモデルのミスマッチを補正し、実際の計画に最適に収束するのに役立つ。ケーススタディでは、修飾子適応アプローチとベイズ最適化アプローチを比較した。さらに,ガウス過程回帰における2つの異なる共分散関数の利用について考察した。アプローチのデータ作成と適用に関する実践的な推奨がなされる。修正子適応法とベイズ最適化法の両方がガウシアン・ウェイクモデルと比較して, ヤウの誤差を小さくすることで電力生産を改善できることが示されている。

関連論文リスト

Enhancing Gaussian Process Surrogates for Optimization and Posterior Approximation via Random Exploration [2.984929040246293]
ガウス過程シュロゲートモデルの精度を高めるために、ランダムな探索ステップに依存する新しいノイズフリーベイズ最適化戦略。新しいアルゴリズムは、古典的なGP-UCBの実装の容易さを維持しているが、さらなる探索がそれらの収束を促進する。
論文参考訳（メタデータ） (2024-01-30T14:16:06Z)
Manifold Gaussian Variational Bayes on the Precision Matrix [70.44024861252554]
複雑なモデルにおける変分推論(VI)の最適化アルゴリズムを提案する。本研究では,変分行列上の正定値制約を満たすガウス変分推論の効率的なアルゴリズムを開発した。 MGVBPはブラックボックスの性質のため、複雑なモデルにおけるVIのための準備が整ったソリューションである。
論文参考訳（メタデータ） (2022-10-26T10:12:31Z)
Surrogate modeling for Bayesian optimization beyond a single Gaussian process [62.294228304646516]
本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
論文参考訳（メタデータ） (2022-05-27T16:43:10Z)
Hybrid Evolutionary Optimization Approach for Oilfield Well Control Optimization [0.0]
油田生産の最適化は、地下モデルの複雑さと関連する非線形性のために困難である。本稿では,2つのハイブリッドな進化的最適化手法の有効性について述べる。
論文参考訳（メタデータ） (2021-03-29T13:36:51Z)
Hyper-optimization with Gaussian Process and Differential Evolution Algorithm [0.0]
本稿では,利用可能な科学図書館のガウス過程最適化コンポーネントの具体的修正について述べる。提示された修正はBlackBox 2020チャレンジに提出され、従来の最適化ライブラリを上回った。
論文参考訳（メタデータ） (2021-01-26T08:33:00Z)
Zeroth-Order Hybrid Gradient Descent: Towards A Principled Black-Box Optimization Framework [100.36569795440889]
この作業は、一階情報を必要としない零次最適化(ZO)の反復である。座標重要度サンプリングにおける優雅な設計により,ZO最適化法は複雑度と関数クエリコストの両面において効率的であることを示す。
論文参考訳（メタデータ） (2020-12-21T17:29:58Z)
Robust Optimal Transport with Applications in Generative Modeling and Domain Adaptation [120.69747175899421]
ワッサーシュタインのような最適輸送(OT)距離は、GANやドメイン適応のようないくつかの領域で使用されている。本稿では,現代のディープラーニングアプリケーションに適用可能な,ロバストなOT最適化の計算効率のよい2つの形式を提案する。提案手法では, ノイズの多いデータセット上で, 外部分布で劣化したGANモデルをトレーニングすることができる。
論文参考訳（メタデータ） (2020-10-12T17:13:40Z)
Yield Optimization using Hybrid Gaussian Process Regression and a Genetic Multi-Objective Approach [0.0]
本稿では,モンテカルロ解析の信頼性と精度と,ガウス過程回帰に基づく代理モデルの効率を併用したハイブリッドアプローチを提案する。本稿では,不確実性の影響を軽減する適応Newton-MCと,性能と堅牢性を同時に最適化するための遺伝的多目的アプローチの2つの最適化手法を提案する。
論文参考訳（メタデータ） (2020-10-08T14:44:37Z)
Real-Time Optimization Meets Bayesian Optimization and Derivative-Free Optimization: A Tale of Modifier Adaptation [0.0]
本稿では,不確実なプロセスのリアルタイム最適化において,プラントモデルミスマッチを克服するための修飾子適応方式について検討する。提案したスキームは物理モデルを組み込んでおり、探査中のリスクを最小限に抑えるために信頼領域のアイデアに依存している。取得関数の使用、プロセスノイズレベルを知る、または名目上のプロセスモデルを指定する利点を図示する。
論文参考訳（メタデータ） (2020-09-18T12:57:17Z)
Robust, Accurate Stochastic Optimization for Variational Inference [68.83746081733464]
また, 共通最適化手法は, 問題が適度に大きい場合, 変分近似の精度が低下することを示した。これらの結果から,基礎となるアルゴリズムをマルコフ連鎖の生成とみなして,より堅牢で正確な最適化フレームワークを開発する。
論文参考訳（メタデータ） (2020-09-01T19:12:11Z)
Global Optimization of Gaussian processes [52.77024349608834]
少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。提案手法の順序の順序による時間収束を,総じて低減する。
論文参考訳（メタデータ） (2020-05-21T20:59:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。