論文の概要: Machine Learning versus Mathematical Model to Estimate the Transverse
Shear Stress Distribution in a Rectangular Channel
- arxiv url: http://arxiv.org/abs/2103.05447v1
- Date: Sat, 6 Mar 2021 23:08:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-11 07:30:10.689107
- Title: Machine Learning versus Mathematical Model to Estimate the Transverse
Shear Stress Distribution in a Rectangular Channel
- Title（参考訳）: 長方形チャネルにおける横せん断応力分布推定のための機械学習と数理モデル
- Authors: Babak Lashkar-Ara, Niloofar Kalantari, Zohreh Sheikh Khozani, Amir
Mosavi
- Abstract要約: 本研究では,Tsallisエントロピー,遺伝的プログラミング(GP)および適応型ニューロファジィ推論システム(ANFIS)を用いて,長方形チャネルにおけるせん断応力分布(SSD)を評価する。
Tsallisエントロピー、GPおよびANFISモデルの結果を評価するために、最適化されたPrestonチューブを使用してせん断応力を測定する実験室観察が使用された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One of the most important subjects of hydraulic engineering is the reliable
estimation of the transverse distribution in the rectangular channel of bed and
wall shear stresses. This study makes use of the Tsallis entropy, genetic
programming (GP) and adaptive neuro-fuzzy inference system (ANFIS) methods to
assess the shear stress distribution (SSD) in the rectangular channel. To
evaluate the results of the Tsallis entropy, GP and ANFIS models, laboratory
observations were used in which shear stress was measured using an optimized
Preston tube. This is then used to measure the SSD in various aspect ratios in
the rectangular channel. To investigate the shear stress percentage, 10 data
series with a total of 112 different data were used. The results of the
sensitivity analysis show that the most influential parameter for the SSD in a
smooth rectangular channel is the dimensionless parameter B/H, Where the
transverse coordinate is B, and the flow depth is H. With the parameters (b/B),
(B/H) for the bed and (z/H), (B/H) for the wall as inputs, the modeling of the
GP was better than the other one. Based on the analysis, it can be concluded
that the use of GP and ANFIS algorithms is more effective in estimating shear
stress in smooth rectangular channels than the Tsallis entropy-based equations.
- Abstract（参考訳）: 油圧工学の最も重要な主題の1つはベッドおよび壁のせん断の圧力の長方形のチャネルの横の配分の信頼できる推定です。
本研究では,Tsallisエントロピー,遺伝的プログラミング(GP)および適応型ニューロファジィ推論システム(ANFIS)を用いて,長方形チャネルにおけるせん断応力分布(SSD)を評価する。
Tsallisエントロピー、GPおよびANFISモデルの結果を評価するために、最適化されたPrestonチューブを使用してせん断応力を測定する実験室観察が使用された。
これは、矩形チャネルの様々なアスペクト比でSSDを測定するために使用される。
せん断応力率を調べるために,合計112の異なるデータを含む10種類のデータ列を用いた。
感度解析の結果、平滑な長方形チャネルにおけるSSDの最も影響力のあるパラメータは、横座標がBであり、流れ深さがHである次元のないパラメータB/Hであることを示しています。ベッドのパラメータ(B/B)、ベッドのパラメータ(B/H)、および入力としての壁のパラメータ(z/H)では、GPのモデリングは、他のものよりも優れていました。
この分析から,GPおよびANFISアルゴリズムを用いることで,Tsallisエントロピーに基づく方程式よりも滑らかな矩形チャネルにおけるせん断応力を推定できる可能性が示唆された。
関連論文リスト
- Deep Learning-based Prediction of Stress and Strain Maps in Arterial
Walls for Improved Cardiovascular Risk Assessment [0.0]
本研究では、動脈壁の2次元断面における応力-ひずみ場予測において、FEMの代替としてエンド・ツー・エンドのディープラーニングツールが有効である可能性について検討した。
まず,U-Net を用いた完全畳み込みニューラルネットワーク (CNN) を提案し,動脈壁断面における石灰化の空間的配置に基づくフォン・ミセス応力とひずみ分布の予測を行った。
本研究では, 各種石灰化量と空間構成の異なる動脈壁の応力およびひずみ場マップの予測精度を, 特に知覚的視点から向上する条件付き生成逆数ネットワーク(cGAN)を開発した。
論文 参考訳（メタデータ） (2023-08-03T14:00:01Z) - Conditional Korhunen-Lo\'{e}ve regression model with Basis Adaptation
for high-dimensional problems: uncertainty quantification and inverse
modeling [62.997667081978825]
本稿では,物理系の観測可能な応答のサロゲートモデルの精度を向上させる手法を提案する。
本研究では,定常水理応答のBasis Adaptation (BA)法による代理モデル構築に提案手法を適用した。
論文 参考訳（メタデータ） (2023-07-05T18:14:38Z) - Machine learning in and out of equilibrium [58.88325379746631]
我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。
我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。
本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
論文 参考訳（メタデータ） (2023-06-06T09:12:49Z) - Gaussian process regression and conditional Karhunen-Lo\'{e}ve models
for data assimilation in inverse problems [68.8204255655161]
偏微分方程式モデルにおけるデータ同化とパラメータ推定のためのモデル逆アルゴリズムCKLEMAPを提案する。
CKLEMAP法は標準的なMAP法に比べてスケーラビリティがよい。
論文 参考訳（メタデータ） (2023-01-26T18:14:12Z) - 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) - Experimental Design for Linear Functionals in Reproducing Kernel Hilbert
Spaces [102.08678737900541]
線形汎関数に対するバイアス認識設計のためのアルゴリズムを提供する。
準ガウス雑音下での固定および適応設計に対する漸近的でない信頼集合を導出する。
論文 参考訳（メタデータ） (2022-05-26T20:56:25Z) - 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) - Physics-Informed Machine Learning Method for Large-Scale Data
Assimilation Problems [48.7576911714538]
我々は,未知のフラックス (Neumann) と様々なヘッド (Dirichlet) 境界条件を持つ地下流れをモデル化するための物理インフォームド条件付きKarhunen-Lo'eve展開法(PICKLE)を拡張した。
PICKLE法はMAP法と精度が比較できるが,大規模問題ではMAP法よりもはるかに高速であることを示す。
論文 参考訳（メタデータ） (2021-07-30T18:43:14Z) - Bayesian data-driven discovery of partial differential equations with variable coefficients [9.331440154110117]
可変係数を用いたPDE探索のための高度なベイズスパース学習アルゴリズムを提案する。
実験では, 雑音環境下でのベースライン法よりも, tBGL-SS法の方がロバストであることを示す。
論文 参考訳（メタデータ） (2021-02-02T11:05:34Z) - Augmented Sliced Wasserstein Distances [55.028065567756066]
拡張スライスされたワッサーシュタイン距離(ASWD)と呼ばれる新しい距離測定法を提案する。
ASWDは、ニューラルネットワークによってパラメータ化された高次元超曲面への最初のマッピングサンプルによって構成される。
数値的な結果から、ASWDは、合成問題と実世界の問題の両方において、他のワッサーシュタイン変種を著しく上回っていることが示されている。
論文 参考訳（メタデータ） (2020-06-15T23:00:08Z)
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。