論文の概要: A Survey on Mathematical Aspects of Machine Learning in GeoPhysics: The Cases of Weather Forecast, Wind Energy, Wave Energy, Oil and Gas Exploration

• arxiv url: http://arxiv.org/abs/2102.03206v1
• Date: Fri, 5 Feb 2021 14:44:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-09 00:30:56.036094
• Title: A Survey on Mathematical Aspects of Machine Learning in GeoPhysics: The Cases of Weather Forecast, Wind Energy, Wave Energy, Oil and Gas Exploration
• Title（参考訳）: 地理物理学における機械学習の数学的側面に関する調査:気象予報・風力エネルギー・波力エネルギー・石油・ガス探査を事例として
• Authors: Miroslav Kosanic and Veljko Milutinovic
• Abstract要約: 本稿では,地球物理学とそれに対応するサブブランチの文脈において,機械学習技術(ML)を適用した最も注目すべき研究についてレビューする。 我々は、これまで達成された進歩と、今後の研究の重要な方向性について紹介する。
• 参考スコア（独自算出の注目度）: 1.0279748604797907
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper reviews the most notable works applying machine learning techniques (ML) in the context of geophysics and corresponding subbranches. We showcase both the progress achieved to date as well as the important future directions for further research while providing an adequate background in the fields of weather forecast, wind energy, wave energy, oil and gas exploration. The objective is to reflect on the previous successes and provide a comprehensive review of the synergy between these two fields in order to speed up the novel approaches of machine learning techniques in geophysics. Last but not least, we would like to point out possible improvements, some of which are related to the implementation of ML algorithms using DataFlow paradigm as a means of performance acceleration.
• Abstract（参考訳）: 本稿では、地球物理学と対応するサブブランチの文脈で機械学習技術(ML)を適用する最も顕著な作品をレビューします。 気象予報,風力エネルギー,波力エネルギー,石油,ガス探査の分野で十分な背景を提供しながら,現在までに達成されている進歩と今後のさらなる研究に向けた重要な方向性について紹介する。 本研究の目的は, これまでの成果を反映し, これら2分野間の相乗効果を総合的に検証し, 地学における機械学習技術の新たなアプローチを高速化することである。 最後に、パフォーマンスの加速手段としてデータフローパラダイムを使用したmlアルゴリズムの実装に関連する改善点を指摘したいと思います。

関連論文リスト

• Improving aircraft performance using machine learning: a review [57.82442188072833]
  本稿では,航空宇宙工学の多分野に影響を及ぼす機械学習(ML)の新たな展開について概説する。 我々は、さまざまな航空宇宙分野にまたがるML手法の利点と課題を整理し、技術の現状を概観する。
  論文  参考訳（メタデータ） (2022-10-20T07:16:53Z)
• Machine Learning for a Sustainable Energy Future [8.421378169245827]
  機械学習によるエネルギー研究の最近の進歩を概観する。 我々は,エネルギー収穫の発展にMLを適用した最新の技術について論じ,評価を行った。 我々は、MLの適用によるさらなる利益を目論むエネルギー分野の潜在的研究分野の展望を提供する。
  論文  参考訳（メタデータ） (2022-10-19T08:59:53Z)
• Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
  水中音響から風速時系列を検索するための深層学習手法を提案する。 我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
  論文  参考訳（メタデータ） (2022-08-18T15:27:40Z)
• Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
  イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。 我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。 最適設計と性能は場所によって異なることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:55:10Z)
• Shared Data and Algorithms for Deep Learning in Fundamental Physics [4.914920952758052]
  我々は、素粒子物理学、天体物理学、ハドロン物理学、核物理学を含む基礎物理学研究のデータセットの収集を紹介する。 これらのデータセットは、トップクォーク、宇宙線による大気シャワー、ハドロン物質の相転移、およびジェネレータレベルの履歴を含む。 我々は、広範囲の教師付き学習タスクに容易に適用可能な、単純で柔軟なグラフベースのニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-07-01T18:00:00Z)
• Hybrid and Automated Machine Learning Approaches for Oil Fields Development: the Case Study of Volve Field, North Sea [58.720142291102135]
  本稿では,意思決定プロセスを支援する分野開発タスクにおけるインテリジェントなアプローチの利用について述べる。 我々は,油田立地最適化の問題と,その中の2つの課題に注目し,石油生産量推定の品質向上と貯水池特性の評価を行う。 実装されたアプローチは、異なる油田を解析したり、同様の物理問題に適応することができる。
  論文  参考訳（メタデータ） (2021-03-03T18:51:46Z)
• Learning Structures in Earth Observation Data with Gaussian Processes [67.27044745471207]
  本稿では,この分野の主要な理論gp開発について概説する。 信号特性と雑音特性を尊重し、特徴ランキングを自動的に提供し、関連する不確かさ区間を適用可能にする新しいアルゴリズムについて論じる。
  論文  参考訳（メタデータ） (2020-12-22T10:46:37Z)
• Physics Guided Machine Learning Methods for Hydrology [21.410993515618895]
  SWAT (Soil and Water Assessment Tool) と組み合わせたLSTMに基づくディープラーニングアーキテクチャを提案する。 アプローチの有効性はミネソタ州南東部のルート川流域の南支流にあるいくつかの小さな流域で分析されている。
  論文  参考訳（メタデータ） (2020-12-02T19:17:19Z)
• Data-driven geophysics: from dictionary learning to deep learning [3.6713387874278247]
  物理の「モデル駆動」アプローチは次元の呪いに悩まされ、地下を不正確にモデル化する可能性がある。 データ駆動型」技術は、地球物理データの増加によってこれらの問題を克服する可能性がある。
  論文  参考訳（メタデータ） (2020-07-13T04:39:49Z)
• A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
  我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。 このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
  論文  参考訳（メタデータ） (2020-06-05T08:04:37Z)

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。