論文の概要: Controlling earthquake-like instabilities using artificial intelligence

• arxiv url: http://arxiv.org/abs/2104.13180v1
• Date: Tue, 27 Apr 2021 13:39:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-28 13:22:42.387246
• Title: Controlling earthquake-like instabilities using artificial intelligence
• Title（参考訳）: 人工知能を用いた地震不安定性制御
• Authors: Efthymios Papachristos and Ioannis Stefanou
• Abstract要約: 本研究は, 強化学習を通じて得られた注入ポリシーの適用により, 破滅的な事態を避けることを目的とする。 最先端の深層補強学習手法を用いて地震様不安定性を制御する可能性を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Earthquakes are lethal and costly. This study aims at avoiding these catastrophic events by the application of injection policies retrieved through reinforcement learning. With the rapid growth of artificial intelligence, prediction-control problems are all the more tackled by function approximation models that learn how to control a specific task, even for systems with unmodeled/unknown dynamics and important uncertainties. Here, we show for the first time the possibility of controlling earthquake-like instabilities using state-of-the-art deep reinforcement learning techniques. The controller is trained using a reduced model of the physical system, i.e, the spring-slider model, which embodies the main dynamics of the physical problem for a given earthquake magnitude. Its robustness to unmodeled dynamics is explored through a parametric study. Our study is a first step towards minimizing seismicity in industrial projects (geothermal energy, hydrocarbons production, CO2 sequestration) while, in a second step for inspiring techniques for natural earthquakes control and prevention.
• Abstract（参考訳）: 地震は致命的かつ費用がかかる。 本研究は, 強化学習を通じて得られた注入ポリシーの適用により, 破滅的な事態を避けることを目的とする。 人工知能の急速な成長に伴い、予測制御問題は特定のタスクを制御する方法を学ぶ関数近似モデルによって、さらに取り組まれている。 本稿では,最先端の深層補強学習手法を用いて,地震様不安定性を制御する可能性を示す。 コントローラは、物理システムの縮小されたモデル、すなわち、与えられた地震マグニチュードに対する物理問題のメインダイナミクスを具現化したスプリングスライダーモデルを用いて訓練される。 非モデル力学に対するロバスト性はパラメトリック研究を通じて探究される。 本研究は, 産業プロジェクト(地熱エネルギー, 炭化水素生産, 二酸化炭素回収)における地震活動の最小化に向けた第一歩であり, 自然地震対策と防止のための技術革新のための第2段階である。

関連論文リスト

• Learning Physics From Video: Unsupervised Physical Parameter Estimation for Continuous Dynamical Systems [49.11170948406405]
  ビデオからの自動パラメータ推定の最先端は、大規模データセット上で教師付きディープネットワークをトレーニングすることによって解決される。 単一ビデオから, 既知, 連続制御方程式の物理パラメータを推定する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-02T09:44:54Z)
• Estimating Earthquake Magnitude in Sentinel-1 Imagery via Ranking [5.71478837100808]
  本稿では,地震の規模を計量学習問題として推定する。 我々は、Sentinel-1衛星画像から地震の大きさを推定し、さらにペアのサンプルをランク付けするためにモデルを訓練する。 実験の結果,従来の回帰のみに基づく手法に比べて最大30%以上のMAEの改善が得られた。
  論文  参考訳（メタデータ） (2024-07-25T15:35:44Z)
• Learning Physics for Unveiling Hidden Earthquake Ground Motions via Conditional Generative Modeling [43.056135090637646]
  地盤運動の条件生成モデル(CGM-GM) 本研究では, 高周波・空間連続地震動波形を合成する人工知能シミュレータを提案する。 CGM-GMは、最先端の非エルゴディックな地上運動モデルよりも優れた可能性を示す。
  論文  参考訳（メタデータ） (2024-07-21T08:23:37Z)
• Exploring Challenges in Deep Learning of Single-Station Ground Motion Records [0.0]
  実験の結果,P相とS相の到着情報に強く依存していることが判明した。 本研究は, 現場における潜在的なギャップを浮き彫りにして, 単一局地動記録の深層学習のためのロバストな手法が欠如していることを示唆する。
  論文  参考訳（メタデータ） (2024-03-12T11:56:50Z)
• Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
  得られた知識を有向非巡回因果グラフの形で公開することを提案する。 また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。 提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
  論文  参考訳（メタデータ） (2023-09-30T20:59:42Z)
• Small-scale proxies for large-scale Transformer training instabilities [69.36381318171338]
  我々は、小規模でトレーニングの安定性と不安定性を再現し、研究する方法を模索する。 学習速度とスケールによる損失の関係を計測することにより,これらの不安定性は,学習率の高いトレーニングにおいて,小さなモデルにも現れることを示す。 ウォームアップ,ウェイト崩壊,および$mu$Paramなどの手法を用いて,学習速度変化の桁数で同様の損失を被る小さなモデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-25T17:48:51Z)
• Mining Causality from Continuous-time Dynamics Models: An Application to Tsunami Forecasting [22.434845478979604]
  本研究では,連続時間モデルから因果構造を抽出する機構を提案する。 我々は,動的モデルの入力層の重み付けによって因果構造を捕捉するモデルを訓練する。 本手法を津波予報という実世界の問題に適用し,正確な因果構造を特徴付けるのが困難である。
  論文  参考訳（メタデータ） (2022-10-10T18:53:13Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• A CNN-BiLSTM Model with Attention Mechanism for Earthquake Prediction [0.0]
  本稿では、注意機構(AM)、畳み込みニューラルネットワーク(CNN)、双方向長短期記憶(BiLSTM)モデルに基づく新しい予測手法を提案する。 中国本土の地震カタログに基づいて,各地域の地震の規模と規模を推定することができる。
  論文  参考訳（メタデータ） (2021-12-26T20:16:20Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)
• Towards Understanding the Adversarial Vulnerability of Skeleton-based Action Recognition [133.35968094967626]
  骨格に基づく行動認識は、動的状況への強い適応性から注目を集めている。 ディープラーニング技術の助けを借りて、かなり進歩し、現在、良識のある環境で約90%の精度を達成している。 異なる対角的環境下での骨格に基づく行動認識の脆弱性に関する研究はいまだ研究されていない。
  論文  参考訳（メタデータ） (2020-05-14T17:12:52Z)

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。