論文の概要: Application of deep learning to large scale riverine flow velocity
estimation
- arxiv url: http://arxiv.org/abs/2012.02620v1
- Date: Fri, 4 Dec 2020 14:26:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-23 04:04:39.683859
- Title: Application of deep learning to large scale riverine flow velocity
estimation
- Title(参考訳): 大規模河川流速推定への深層学習の適用
- Authors: Mojtaba Forghani, Yizhou Qian, Jonghyun Lee, Matthew W. Farthing,
Tyler Hesser, Peter K. Kitanidis, and Eric F. Darve
- Abstract要約: 従来の手法は計算に高価であり、正確な予測には高分解能な河床プロファイル測定(水位測定)が必要である。
ここでは、PCA-DNN(主成分分析ディープニューラルネットワーク)、SE(教師付きエンコーダ)、SVE(教師付き変分エンコーダ)という3つの解法を用いる。
その結果,高速解法は,従来の手法による境界値問題の解法よりもはるかに低い計算コストで,精度良く流速を予測できることがわかった。
- 参考スコア(独自算出の注目度): 1.2093180801186911
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fast and reliable prediction of riverine flow velocities is important in many
applications, including flood risk management. The shallow water equations
(SWEs) are commonly used for prediction of the flow velocities. However,
accurate and fast prediction with standard SWE solvers is challenging in many
cases. Traditional approaches are computationally expensive and require
high-resolution riverbed profile measurement ( bathymetry) for accurate
predictions. As a result, they are a poor fit in situations where they need to
be evaluated repetitively due, for example, to varying boundary condition (BC),
or when the bathymetry is not known with certainty. In this work, we propose a
two-stage process that tackles these issues. First, using the principal
component geostatistical approach (PCGA) we estimate the probability density
function of the bathymetry from flow velocity measurements, and then we use
multiple machine learning algorithms to obtain a fast solver of the SWEs, given
augmented realizations from the posterior bathymetry distribution and the
prescribed range of BCs. The first step allows us to predict flow velocities
without direct measurement of the bathymetry. Furthermore, the augmentation of
the distribution in the second stage allows incorporation of the additional
bathymetry information into the flow velocity prediction for improved accuracy
and generalization, even if the bathymetry changes over time. Here, we use
three solvers, referred to as PCA-DNN (principal component analysis-deep neural
network), SE (supervised encoder), and SVE (supervised variational encoder),
and validate them on a reach of the Savannah river near Augusta, GA. Our
results show that the fast solvers are capable of predicting flow velocities
with good accuracy, at a computational cost that is significantly lower than
the cost of solving the full boundary value problem with traditional methods.
- Abstract(参考訳): 河川流速の高速で信頼性の高い予測は洪水リスク管理を含む多くの応用において重要である。
浅水方程式(SWE)は流速の予測に一般的に用いられる。
しかし、標準的なSWEソルバによる正確かつ高速な予測は、多くの場合困難である。
従来の手法は計算コストが高く、正確な予測には高解像度の河床形状測定 (bathymetry) が必要である。
その結果、例えば、異なる境界条件(bc)に対して繰り返し評価される必要がある場合や、浴槽測定が確実性で分かっていない場合において、不適合である。
本研究では,これらの問題に取り組む2段階のプロセスを提案する。
まず,主成分統計学的手法 (PCGA) を用いて, 流速測定から浴量測定の確率密度関数を推定し, 次に, 複数の機械学習アルゴリズムを用いて, 後部浴量測定分布と所定範囲のBCから, SWEの高速解法を求める。
第1ステップでは,浴量計を直接測定することなく流速を予測できる。
さらに、第2段階における分布の増強により、時間とともにバスメトリが変化する場合でも、フロー速度予測に付加的なバスメトリ情報が組み込まれ、精度と一般化が向上する。
ここでは,PCA-DNN(主成分分析深度ニューラルネットワーク),SE(教師付きエンコーダ),SVE(教師付き変分エンコーダ)という3つの解法を用いて,GAのオーガスタ近郊のサバンナ川(サバンナ川)でそれらを検証し,高速解法が従来の境界値問題よりもはるかに低い計算コストで流速を精度良く予測できることを示した。
関連論文リスト
- Fast Inference and Update of Probabilistic Density Estimation on
Trajectory Prediction [19.240717471864723]
自動運転車や社会ロボットのような安全クリティカルな応用には、高速な計算と正確な確率密度推定が必要である。
本稿では,フローチェインという新しい正規化フローベース軌道予測モデルを提案する。
FlowChainは、カーネル密度推定のような追加の近似を必要とする生成モデルよりも高速である。
論文 参考訳(メタデータ) (2023-08-17T07:16:21Z) - Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。
近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。
洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文 参考訳(メタデータ) (2023-07-29T22:49:50Z) - Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。
その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2023-01-19T20:04:36Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2022-10-21T07:25:57Z) - Data-driven and machine-learning based prediction of wave propagation
behavior in dam-break flood [11.416877401689735]
最小限のデータ量で十分にトレーニングされた機械学習モデルは,1次元ダム破壊洪水の長期的動的挙動を良好な精度で予測する上で有効であることを示す。
我々は,0.01未満の根平均二乗誤差 (RMSE) でダム破砕洪水の波動伝播挙動を286回予測するRC-ESNモデルの優れた予測能力を実証した。
論文 参考訳(メタデータ) (2022-09-19T02:58:31Z) - Deep Equilibrium Optical Flow Estimation [80.80992684796566]
最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。
これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。
暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
論文 参考訳(メタデータ) (2022-04-18T17:53:44Z) - Variational encoder geostatistical analysis (VEGAS) with an application
to large scale riverine bathymetry [1.2093180801186911]
水位測定としても知られる河床形状の推定は,多くの応用において重要な役割を担っている。
本稿では,中央に狭い層を持つディープニューラルネットワークである可変オートエンコーダ(VAE)を利用するリダクション・オーダー・モデル(ROM)に基づくアプローチを提案する。
アメリカ合衆国,サバンナ川の1マイル到達地点において,我々の逆解析手法を検証した。
論文 参考訳(メタデータ) (2021-11-23T08:27:48Z) - Deep learning-based fast solver of the shallow water equations [1.2093180801186911]
浅水方程式(SWE)の従来の数値解法は計算に高価であり、高分解能な河床形状測定(ベースメトリー)を必要とする。
そこで我々は,まず主成分測地学的アプローチ(PCGA)を用いて,流速測定から流速測定の確率密度関数を推定し,機械学習(ML)アルゴリズムを用いてSWEの高速解法を得る2段階プロセスを提案する。
以上の結果から, 高速解法は, 浴量測定とBCの異なる流速を, 計算コストで精度良く予測できることを示した。
論文 参考訳(メタデータ) (2021-11-23T07:47:56Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳(メタデータ) (2021-05-25T14:35:46Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳(メタデータ) (2020-12-25T01:40:29Z) - ML-LBM: Machine Learning Aided Flow Simulation in Porous Media [0.0]
多孔質媒質内の流体流動の直接シミュレーションは、合理的な時間枠で解くために重要な計算資源を必要とする。
流体流の予測と直接流シミュレーションを組み合わせた統合手法について概説する。
畳み込みニューラルネットワーク(CNN)に基づくディープラーニング技術により,定常速度場を正確に推定できることが示されている。
論文 参考訳(メタデータ) (2020-04-22T01:55:59Z)
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。