論文の概要: Predicting heave and surge motions of a semi-submersible with neural networks

• arxiv url: http://arxiv.org/abs/2007.15973v1
• Date: Fri, 31 Jul 2020 11:24:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 06:04:57.431545
• Title: Predicting heave and surge motions of a semi-submersible with neural networks
• Title（参考訳）: ニューラルネットワークを用いた半水中のヒーブとサージ運動の予測
• Authors: Xiaoxian Guo and Xiantao Zhang and Xinliang Tian and Xin Li and Wenyue Lu
• Abstract要約: 半潜水艇のヒーブ動作とサージ動作を予測するために,LSTM(Long Short-term memory)に基づく機械学習モデルを開発した。 測定波の助けを借りて、予測は46.5秒を将来まで延長し、平均精度は90%近くになった。
• 参考スコア（独自算出の注目度）: 4.0097067208724955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time motion prediction of a vessel or a floating platform can help to improve the performance of motion compensation systems. It can also provide useful early-warning information for offshore operations that are critical with regard to motion. In this study, a long short-term memory (LSTM) -based machine learning model was developed to predict heave and surge motions of a semi-submersible. The training and test data came from a model test carried out in the deep-water ocean basin, at Shanghai Jiao Tong University, China. The motion and measured waves were fed into LSTM cells and then went through serval fully connected (FC) layers to obtain the prediction. With the help of measured waves, the prediction extended 46.5 s into future with an average accuracy close to 90%. Using a noise-extended dataset, the trained model effectively worked with a noise level up to 0.8. As a further step, the model could predict motions only based on the motion itself. Based on sensitive studies on the architectures of the model, guidelines for the construction of the machine learning model are proposed. The proposed LSTM model shows a strong ability to predict vessel wave-excited motions.
• Abstract（参考訳）: 船舶や浮遊プラットフォームでのリアルタイム動き予測は、動き補償システムの性能を向上させるのに役立つ。 また、移動に関して重要なオフショア作戦に便利な早期警戒情報を提供することもできる。 本研究では,半潜水艇のヒーブ動作とサージ動作を予測するために,LSTMに基づく長期記憶モデルを開発した。 訓練とテストデータは、中国の上海江東大学(上海市)の深海盆地で実施された模型実験から得られたものだ。 動きと測定波はLSTM細胞に供給され、その後サーブラート完全連結(FC)層を通過して予測を得た。 測定された波の助けを借りて、予測は平均90%近い精度で46.5秒まで伸びた。 トレーニングされたモデルは、ノイズ拡張データセットを使用して、0.8までのノイズレベルで効果的に動作した。 さらなるステップとして、モデルは動き自体に基づいてのみ動きを予測することができる。 モデルのアーキテクチャに関するセンシティブな研究に基づいて,機械学習モデル構築のためのガイドラインを提案する。 提案するLSTMモデルでは, 船体波励起運動を予測する能力が強い。

関連論文リスト

• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Prediction of Unmanned Surface Vessel Motion Attitude Based on CEEMDAN-PSO-SVM [0.0]
  無人船は海上を航行しながら、波乱を緩和するために活動的な補償システムを利用する。 本稿では, 波動の基本原理に基づいて, 波動エネルギースペクトルから無人ボートの波動の乱れパターンを導出する。 統合予測モデルは、無人船の動作姿勢を予測するために設計されている。
  論文  参考訳（メタデータ） (2024-04-17T14:53:03Z)
• Evaluation of Deep Neural Operator Models toward Ocean Forecasting [0.3774866290142281]
  ディープ・ニューラル・オペレーター・モデルは、古典的な流体の流れと現実的な海洋力学のシミュレーションを予測することができる。 我々はまず,シリンダーを過ぎる2次元流体の模擬実験で,このような深部ニューラルネットワークモデルの能力を評価する。 次に,中部大西洋帯およびマサチューセッツ湾における海洋表層循環予測への応用について検討した。
  論文  参考訳（メタデータ） (2023-08-22T22:38:54Z)
• Deep Learning Models for Flood Predictions in South Florida [0.0]
  本研究では,複数のディープラーニングモデル(DL)をサロゲートモデルとして使用して,水ステージを高速に予測する。 DLモデルの性能は、極端な降水条件下であっても物理モデルに匹敵する。 今後の水ステージを予測するため,我々のDLモデルは,近年の河川水系の測定値を用いている。
  論文  参考訳（メタデータ） (2023-06-28T04:15:01Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• A Data Driven Method for Multi-step Prediction of Ship Roll Motion in High Sea States [15.840386459188169]
  本稿では, 海上における船の転がり動作の多段階予測を実現するための新しいデータ駆動手法を提案する。 ConvLSPTMNetと呼ばれるハイブリッドニューラルネットワークは、長い短期記憶(LSTM)と1次元畳み込みニューラルネットワーク(CNN)を実行するために提案されている。 その結果, ロール動作の多段階予測において, ConvNetはLSTM法やCNN法よりも精度が高いことがわかった。
  論文  参考訳（メタデータ） (2022-07-26T06:26:00Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Probabilistic prediction of the heave motions of a semi-submersible by a deep learning problem model [4.903969235471705]
  深層学習(DL)モデルを拡張し,20～50秒前に浮遊半潜水艇のヒーブ・サージ動作を精度良く予測する。 本研究では,オフショアプラットフォームの波動励起運動を予測するために,DLモデルの理解を深める。
  論文  参考訳（メタデータ） (2021-10-09T06:26:42Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)

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。