論文の概要: Hybrid Artificial Intelligence Methods for Predicting Air Demand in Dam Bottom Outlet

• arxiv url: http://arxiv.org/abs/2102.06929v1
• Date: Sat, 13 Feb 2021 13:41:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-16 20:32:46.434096
• Title: Hybrid Artificial Intelligence Methods for Predicting Air Demand in Dam Bottom Outlet
• Title（参考訳）: ダム底口におけるハイブリッド型人工知能による空気需要予測
• Authors: Aliakbar Narimani, Mahdi Moghimi, Amir Mosavi
• Abstract要約: 下流およびゲート間のキャビテーションはダム設備に影響を与え、空気の通気はそれを改善する解決である場合もあります。 本研究では,イラン各地の6つのダムが,下流トンネル内の空気の流入を実験的に評価するために選ばれた。 3つの人工知能ニューラルネットワーク(ANN)ベースの機械学習(ML)アルゴリズムを使用して、底口の空気エアレーションをモデル化し予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In large infrastructures such as dams, which have a relatively high economic value, ensuring the proper operation of the associated hydraulic facilities in different operating conditions is of utmost importance. To ensure the correct and successful operation of the dam's hydraulic equipment and prevent possible damages, including gates and downstream tunnel, to build laboratory models and perform some tests are essential (the advancement of the smart sensors based on artificial intelligence is essential). One of the causes of damage to dam bottom outlets is cavitation in downstream and between the gates, which can impact on dam facilities, and air aeration can be a solution to improve it. In the present study, six dams in different provinces in Iran has been chosen to evaluate the air entrainment in the downstream tunnel experimentally. Three artificial neural networks (ANN) based machine learning (ML) algorithms are used to model and predict the air aeration in the bottom outlet. The proposed models are trained with genetic algorithms (GA), particle swarm optimization (PSO), i.e., ANN-GA, ANN-PSO, and ANFIS-PSO. Two hydrodynamic variables, namely volume rate and opening percentage of the gate, are used as inputs into all bottom outlet models. The results showed that the most optimal model is ANFIS-PSO to predict the dependent value compared with ANN-GA and ANN-PSO. The importance of the volume rate and opening percentage of the dams' gate parameters is more effective for suitable air aeration.
• Abstract（参考訳）: ダムのような経済的な価値が比較的高い大きなインフラでは、異なる運転条件下で関連する水力施設の適切な運用を確保することが最も重要である。 ダムの油圧装置の正しい運転を確実にし、ゲートや下流トンネルなどの損傷を防止し、実験室モデルを構築し、いくつかのテストを実施することが不可欠である(人工知能に基づくスマートセンサーの進歩が不可欠である)。 ダム底口への損傷の原因の1つは、ダム施設に影響を与える可能性がある下流およびゲート間のキャビテーションであり、空気通気はそれを改善するための解決策である。 本研究では,イラン各地の6つのダムを用いて,下流トンネル内の空気の流入を実験的に評価した。 3つの人工知能ニューラルネットワーク(ANN)ベースの機械学習(ML)アルゴリズムを使用して、底口の空気エアレーションをモデル化し予測する。 提案モデルは遺伝的アルゴリズム(GA)、粒子群最適化(PSO)、すなわちANN-GA、ANN-PSO、ANFIS-PSOで訓練される。 ゲートの体積率と開口率という2つの流体力学変数は、全ての底部出口モデルへの入力として用いられる。 その結果、最も最適なモデルがANFIS-PSOであり、ANN-GAやANN-PSOと比較して依存値を予測できることがわかった。 ダムのゲートパラメータの体積率と開口率の重要性は、適切な空気通気のためにより効果的です。

関連論文リスト

• GeoFUSE: A High-Efficiency Surrogate Model for Seawater Intrusion Prediction and Uncertainty Reduction [0.10923877073891446]
  海岸帯水層への海水侵入は地下水資源に重大な脅威をもたらす。 ディープラーニングに基づく新しいサロゲートフレームワークGeoFUSEを開発した。 ワシントン州のビーバークリーク潮流-河床平原系の2次元断面にGeoFUSEを適用した。
  論文  参考訳（メタデータ） (2024-10-26T08:10:32Z)
• Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
  拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。 最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。 提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
  論文  参考訳（メタデータ） (2024-08-01T17:59:59Z)
• Graph Neural Networks for Pressure Estimation in Water Distribution Systems [44.99833362998488]
  水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。 物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。 我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
  論文  参考訳（メタデータ） (2023-11-17T15:30:12Z)
• Bayesian Physics-Informed Neural Network for the Forward and Inverse Simulation of Engineered Nano-particles Mobility in a Contaminated Aquifer [0.0]
  この研究はB-PINN(Bayesian Physics-Informed Neural Network)フレームワークを用いて、帯水層内のナノ粒子の移動をモデル化する。 次に、逆モデル出力を用いて、小規模帯水層におけるENPsモビリティの制御パラメータを予測する。
  論文  参考訳（メタデータ） (2023-08-14T09:32:21Z)
• 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)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Deep Learning-Accelerated 3D Carbon Storage Reservoir Pressure Forecasting Based on Data Assimilation Using Surface Displacement from InSAR [0.0]
  InSAR(Interferometric Synthetic-Aperture Radar)データをモニタリングデータとして使用して,貯水池圧力の上昇を予測することを提案する。 InSARから解釈された表面変位マップを同化するための深層学習促進ワークフローを開発する。 このワークフローは、パーソナルコンピュータ上で30分でデータ同化と貯水圧予測を完了させることができる。
  論文  参考訳（メタデータ） (2022-01-21T05:17:08Z)
• GDP: Stabilized Neural Network Pruning via Gates with Differentiable Polarization [84.57695474130273]
  ゲートベースまたは重要度に基づくプルーニング手法は、重要度が最小のチャネルを削除することを目的としている。 GDPは、各チャネルのオン・アンド・オフを制御するために、ベルやホイッスルのない畳み込み層の前に接続することができる。 CIFAR-10とImageNetデータセットを用いて行った実験は、提案したGDPが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2021-09-06T03:17:10Z)
• Artificial Intelligence Hybrid Deep Learning Model for Groundwater Level Prediction Using MLP-ADAM [0.0]
  本稿では,多層パーセプトロンを用いて地下水位をシミュレーションする。 この問題には適応モーメント推定アルゴリズムも用いられる。 その結果,ディープラーニングアルゴリズムは高精度な予測が可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T10:11:45Z)
• Efficient pre-training objectives for Transformers [84.64393460397471]
  本研究はトランスフォーマーモデルにおける高効率事前学習目標について検討する。 マスクトークンの除去と損失時のアウトプット全体の考慮が,パフォーマンス向上に不可欠な選択であることを証明する。
  論文  参考訳（メタデータ） (2021-04-20T00:09:37Z)

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。