論文の概要: Data-Driven Wind Turbine Wake Modeling via Probabilistic Machine
Learning
- arxiv url: http://arxiv.org/abs/2109.02411v1
- Date: Mon, 6 Sep 2021 14:46:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-07 20:18:48.846383
- Title: Data-Driven Wind Turbine Wake Modeling via Probabilistic Machine
Learning
- Title（参考訳）: 確率的機械学習によるデータ駆動風車ウェイクモデリング
- Authors: S. Ashwin Renganathan, Romit Maulik, Stefano Letizia, and Giacomo
Valerio Iungo
- Abstract要約: 実世界の光検出・測光(LiDAR)を用いて風車ウェイクを計測し,機械学習を用いて予測的代理モデルを構築する。
提案手法は,高忠実度物理シミュレーションで生成したものよりも安価で高精度に問い合わせることができる風車流速場を高精度に近似するものである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wind farm design primarily depends on the variability of the wind turbine
wake flows to the atmospheric wind conditions, and the interaction between
wakes. Physics-based models that capture the wake flow-field with high-fidelity
are computationally very expensive to perform layout optimization of wind
farms, and, thus, data-driven reduced order models can represent an efficient
alternative for simulating wind farms. In this work, we use real-world light
detection and ranging (LiDAR) measurements of wind-turbine wakes to construct
predictive surrogate models using machine learning. Specifically, we first
demonstrate the use of deep autoencoders to find a low-dimensional
\emph{latent} space that gives a computationally tractable approximation of the
wake LiDAR measurements. Then, we learn the mapping between the parameter space
and the (latent space) wake flow-fields using a deep neural network.
Additionally, we also demonstrate the use of a probabilistic machine learning
technique, namely, Gaussian process modeling, to learn the
parameter-space-latent-space mapping in addition to the epistemic and aleatoric
uncertainty in the data. Finally, to cope with training large datasets, we
demonstrate the use of variational Gaussian process models that provide a
tractable alternative to the conventional Gaussian process models for large
datasets. Furthermore, we introduce the use of active learning to adaptively
build and improve a conventional Gaussian process model predictive capability.
Overall, we find that our approach provides accurate approximations of the
wind-turbine wake flow field that can be queried at an orders-of-magnitude
cheaper cost than those generated with high-fidelity physics-based simulations.
- Abstract（参考訳）: 風力発電の設計は、主に風力タービンの流路が大気の風条件に流れることの変動と、流路間の相互作用に依存する。
高忠実度でウェイクフローフィールドをキャプチャする物理モデルでは、風力発電所のレイアウト最適化を行うのに非常に費用がかかります。
本研究では,風車ウェイクのリアルタイム光検出・測光(LiDAR)を用いて,機械学習を用いて予測代理モデルを構築する。
具体的には、まずディープオートエンコーダを用いて低次元の \emph{latent} 空間を探索し、ウェイクLiDAR測定の計算可能近似を与える。
そして,深部ニューラルネットワークを用いて,パラメータ空間と(相対空間)ウェイクフロー場のマッピングを学習する。
さらに,確率論的機械学習手法,すなわちガウス過程モデリングを用いてパラメータ空間-ラテント空間マッピングを学習し,そのデータにエピステマ性やアレタリックな不確実性があることを示す。
最後に,大規模データセットのトレーニングに対処すべく,従来のガウス処理モデルの代替手段を提供する変分ガウス処理モデルの利用を実証する。
さらに,従来のガウス過程モデル予測能力を適応的に構築し,改良するために,能動的学習を導入する。
全体として,本手法は,高忠実度物理シミュレーションで生成したものよりも安価で高精度にクエリできる風速流場の正確な近似を提供する。
関連論文リスト
- SurroFlow: A Flow-Based Surrogate Model for Parameter Space Exploration and Uncertainty Quantification [17.175947741031674]
既存のディープラーニングベースのサロゲートモデルは、効率的なデータ生成を容易にするが、不確実な定量化、効率的なパラメータ空間探索、逆予測に不足する。
シミュレーションパラメータとシミュレーション出力の間の可逆変換を学習するために,フローベースサロゲートモデルを正規化した新しいモデルであるSurroFlowを紹介した。
本フレームワークは,科学的サロゲートモデルの信頼性と探索能力を向上しつつ,計算コストを大幅に削減する。
論文 参考訳（メタデータ） (2024-07-16T19:08:49Z) - Efficient modeling of sub-kilometer surface wind with Gaussian processes and neural networks [0.0]
風は、その空間的および時間的変動が高いため、モデルにとって特に困難な変数である。
本稿では,ガウス過程とニューラルネットワークを統合した表面風洞をサブキロメートル分解能でモデル化する手法を提案する。
論文 参考訳（メタデータ） (2024-05-21T09:07:47Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。
我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。
我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文 参考訳（メタデータ） (2023-10-11T18:38:28Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2023-04-03T13:13:19Z) - Modeling Wind Turbine Performance and Wake Interactions with Machine
Learning [0.0]
SCADAとオンショアウィンドファームで収集された気象データに基づいて異なる機械学習モデル(ML)を訓練する。
データ品質制御と事前処理のためのML手法を調査対象のデータセットに適用する。
風力タービンのパワーキャプチャーをモデル化するために,ハイブリッドモデルが高精度であることがわかった。
論文 参考訳（メタデータ） (2022-12-02T23:07:05Z) - End-to-end Wind Turbine Wake Modelling with Deep Graph Representation
Learning [7.850747042819504]
本研究は,グラフニューラルネットワークと呼ばれるグラフ表現学習法に基づいて,風力タービンウェイクの表現のための代理モデルを提案する。
提案するエンドツーエンドディープラーニングモデルは、非構造化メッシュ上で直接動作し、高忠実度データに対して検証されている。
実世界の風力発電所に基づくケーススタディでは,提案手法による大規模発電予測の可能性をさらに実証する。
論文 参考訳（メタデータ） (2022-11-24T15:00:06Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - 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) - Development of Deep Transformer-Based Models for Long-Term Prediction of
Transient Production of Oil Wells [9.832272256738452]
本稿では,油井の過渡生産に関するデータ駆動型モデリング手法を提案する。
油井の様々なパラメータからなる多変量時系列に基づいて訓練された変圧器ベースニューラルネットワークを適用した。
複素過渡的な油田レベルのパターンをシミュレートするために,複数井戸に対するトランスフォーマーアーキテクチャに基づく単一井戸モデルを一般化する。
論文 参考訳（メタデータ） (2021-10-12T15:00:45Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-01-19T16:14:02Z)
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。