論文の概要: Prediction of Hydraulic Blockage at Cross Drainage Structures using Regression Analysis

• arxiv url: http://arxiv.org/abs/2103.10930v1
• Date: Sat, 6 Mar 2021 04:15:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 00:57:50.943461
• Title: Prediction of Hydraulic Blockage at Cross Drainage Structures using Regression Analysis
• Title（参考訳）: 回帰解析によるクロスドレイン構造における水圧閉塞の予測
• Authors: Umair Iqbal, Johan Barthelemy, Pascal Perez and Wanqing Li
• Abstract要約: 本稿では,水理ブロックの予測に機械学習回帰分析を用いることを提案する。 スマートシティにおける油圧センサの展開とビッグデータの利用により、回帰分析はブロック検出問題に対処する上で有効であることが証明される。
• 参考スコア（独自算出の注目度）: 11.532200478443773
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hydraulic blockage of cross-drainage structures such as culverts is considered one of main contributor in triggering urban flash floods. However, due to lack of during floods data and highly non-linear nature of debris interaction, conventional modelling for hydraulic blockage is not possible. This paper proposes to use machine learning regression analysis for the prediction of hydraulic blockage. Relevant data has been collected by performing a scaled in-lab study and replicating different blockage scenarios. From the regression analysis, Artificial Neural Network (ANN) was reported best in hydraulic blockage prediction with $R^2$ of 0.89. With deployment of hydraulic sensors in smart cities, and availability of Big Data, regression analysis may prove helpful in addressing the blockage detection problem which is difficult to counter using conventional experimental and hydrological approaches.
• Abstract（参考訳）: カルバートなどのクロスドレージ構造の水圧閉塞は, 都市部洪水の引き金となる主要な要因の一つであると考えられている。 しかし,洪水時のデータ不足や土石の相互作用の非線形性から,従来の水圧遮断のモデル化は不可能である。 本稿では,水理ブロックの予測に機械学習回帰分析を用いることを提案する。 関連するデータは、スケールしたインラブスタディを実行し、異なるブロックシナリオを複製することで収集されている。 回帰分析の結果,Artificial Neural Network (ANN) は油圧遮断予測において$R^2$の0.89で最適であった。 スマートシティにおける油圧センサの展開とビッグデータの活用により,従来の実験的・水文学的アプローチでは対処が難しいブロック検出問題に対処する上で,回帰分析が有用であることが示唆された。

関連論文リスト

• High-Resolution Flood Probability Mapping Using Generative Machine Learning with Large-Scale Synthetic Precipitation and Inundation Data [0.9719868595277402]
  Flood-Precipitation Generative Adversarial Network (Flood-Precipitation Generative Adversarial Network)は、生成機械学習を利用して大規模な人工浸水データをシミュレートする新しい手法である。 Flood-Precip GANは、高解像度の洪水確率マップを作成するのに必要な合成洪水深度データを生成するスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2024-09-20T22:43:31Z)
• Estimating irregular water demands with physics-informed machine learning to inform leakage detection [0.0]
  飲料水流通網の漏れは水道事業に重大な課題をもたらす。 本研究では、圧力データを分析し、未知の不規則な水需要を推定する物理インフォームド・機械学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-06T11:55:16Z)
• 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)
• Flood Prediction Using Machine Learning Models [0.0]
  本稿では,異なる機械学習モデルを用いて洪水の予測を行うことにより,この自然災害の極端なリスクを低減することを目的とする。 その結果、どのモデルがより正確な結果をもたらすかを理解するために比較分析を行う。
  論文  参考訳（メタデータ） (2022-08-02T03:59:43Z)
• 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)
• Regression on Deep Visual Features using Artificial Neural Networks (ANNs) to Predict Hydraulic Blockage at Culverts [11.532200478443773]
  都市景観における横断排水水理構造物(例えばカルバート、ブリッジ)は、輸送された破片によってブロックされやすく、しばしばフラッシュフラッドを引き起こす。 本稿では,カルバートにおける水圧閉塞の予測における深い視覚特徴の利用を提案する。 入力として変換のイメージを取得し、ディープラーニングモデルを使用して視覚的特徴を抽出し、視覚的特徴を前処理し、回帰モデルにフィードし、対応する油圧閉塞を予測する。
  論文  参考訳（メタデータ） (2021-04-25T14:58:46Z)
• HYDRA: Hypergradient Data Relevance Analysis for Interpreting Deep Neural Networks [51.143054943431665]
  本稿では、深層ニューラルネットワーク(DNN)による予測をトレーニングデータの効果として解釈する高次データ関連分析(HYDRA)を提案する。 HYDRAは、トレーニング軌跡全体を通して、テストデータポイントに対するトレーニングデータの貢献を評価する。 さらに,HyDRAは,データのコントリビューションを正確に推定し,ノイズのあるデータラベルを検出することで,影響関数よりも優れていることを定量的に示す。
  論文  参考訳（メタデータ） (2021-02-04T10:00:13Z)
• A Hypergradient Approach to Robust Regression without Correspondence [85.49775273716503]
  本稿では,入力データと出力データとの対応が不十分な回帰問題について考察する。 ほとんどの既存手法はサンプルサイズが小さい場合にのみ適用できる。 シャッフル回帰問題に対する新しい計算フレームワークであるROBOTを提案する。
  論文  参考訳（メタデータ） (2020-11-30T21:47:38Z)
• Predictive Analytics for Water Asset Management: Machine Learning and Survival Analysis [55.41644538483948]
  本研究では,水管故障の予測のための統計的および機械学習の枠組みについて検討する。 スペイン,バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。 その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要な危険因子の影響が明らかにされた。
  論文  参考訳（メタデータ） (2020-07-02T19:08:36Z)
• HydroNets: Leveraging River Structure for Hydrologic Modeling [0.0]
  HydroNetsは、特定の降雨流出信号と上流ネットワークダイナミクスの両方を活用するために設計されたディープニューラルネットワークモデルである。 川構造の事前知識の注入は、サンプルの複雑さを減らし、スケーラブルでより正確な水理モデリングを可能にする。 インドにおける2つの大きな盆地に関する実証的研究を行い、提案モデルとその利点を確実に支持する。
  論文  参考訳（メタデータ） (2020-07-01T16:32:07Z)

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。