論文の概要: Machine Learning for Naval Architecture, Ocean and Marine Engineering
- arxiv url: http://arxiv.org/abs/2109.05574v1
- Date: Wed, 1 Sep 2021 09:36:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-19 16:34:08.998619
- Title: Machine Learning for Naval Architecture, Ocean and Marine Engineering
- Title（参考訳）: 海軍建築・海洋・海洋工学のための機械学習
- Authors: J P Panda
- Abstract要約: この記事では、海軍アーキテクチャ、海洋工学、海洋工学における機械学習アルゴリズムの適用についてレビューする。
本稿では, 波高予測, 船舶の風荷重計算, オフショアプラットホームの損傷検出, 船体付加抵抗の計算など, さまざまな問題に対する機械学習アルゴリズムの適用について論じる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine Learning (ML) based algorithms have found significant impact in many
fields of engineering and sciences, where datasets are available from
experiments and high fidelity numerical simulations. Those datasets are
generally utilized in a machine learning model to extract information about the
underlying physics and derive functional relationships mapping input variables
to target quantities of interest. Commonplace machine learning algorithms
utilized in Scientific Machine Learning (SciML) include neural networks,
regression trees, random forests, support vector machines, etc. The focus of
this article is to review the applications of ML in naval architecture, ocean,
and marine engineering problems; and identify priority directions of research.
We discuss the applications of machine learning algorithms for different
problems such as wave height prediction, calculation of wind loads on ships,
damage detection of offshore platforms, calculation of ship added resistance,
and various other applications in coastal and marine environments. The details
of the data sets including the source of data-sets utilized in the ML model
development are included. The features used as the inputs to the ML models are
presented in detail and finally, the methods employed in optimization of the ML
models were also discussed. Based on this comprehensive analysis we point out
future directions of research that may be fruitful for the application of ML to
the ocean and marine engineering problems.
- Abstract（参考訳）: 機械学習(ml)ベースのアルゴリズムは、実験や高忠実度数値シミュレーションからデータセットを利用できる工学や科学の多くの分野に大きな影響を与えている。
これらのデータセットは一般的に機械学習モデルで利用され、基礎となる物理に関する情報を抽出し、入力変数を対象とする関心量にマッピングする機能的関係を導出する。
科学機械学習(SciML)で使用される一般的な機械学習アルゴリズムには、ニューラルネットワーク、回帰木、ランダムフォレスト、サポートベクターマシンなどがある。
本論の焦点は、海軍建築、海洋工学、海洋工学におけるMLの応用を概観し、研究の優先方向を特定することである。
本稿では, 波高予測, 船舶の風荷重の算出, 沖合プラットフォーム損傷検出, 船体付加抵抗の計算, 沿岸および海洋環境における各種応用など, さまざまな問題に対する機械学習アルゴリズムの適用について論じる。
MLモデル開発で使用されるデータセットのソースを含むデータセットの詳細を含める。
MLモデルの入力として使用される特徴についても詳細に述べ,最後にMLモデルの最適化に使用される手法についても論じた。
この包括的分析に基づいて,海洋工学および海洋工学問題へのmlの適用に有益かもしれない研究の今後の方向性を指摘する。
関連論文リスト
- Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。
我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。
シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
論文 参考訳（メタデータ） (2024-08-22T07:33:11Z) - Physics Informed Machine Learning (PIML) methods for estimating the remaining useful lifetime (RUL) of aircraft engines [0.0]
本研究の目的は、新たに開発された物理情報機械学習(PIML)を用いて、残りの実用寿命(RUL)航空機エンジンの予測モデルを開発することである。
本稿では,NASAのC-MAPSS(Commercial Modular Aero-Propulsion System Simulation System)データについて概説する。
C-MAPSSは、古典的および深層学習手法でRUL予測に対処する、文献における多くの既存の研究を含む、よく研究されたデータセットである。
論文 参考訳（メタデータ） (2024-06-21T19:55:34Z) - Replication Study: Enhancing Hydrological Modeling with Physics-Guided
Machine Learning [0.0]
現在の水理モデリング手法は、データ駆動機械学習アルゴリズムと従来の物理モデルを組み合わせたものである。
結果予測におけるMLの精度にもかかわらず、科学的知識の統合は信頼性の高い予測には不可欠である。
本研究では,概念的水文モデルのプロセス理解とMLアルゴリズムの予測効率を融合した物理インフォームド機械学習モデルを提案する。
論文 参考訳（メタデータ） (2024-02-21T16:26:59Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳（メタデータ） (2021-12-22T14:45:37Z) - A Review of Physics-based Machine Learning in Civil Engineering [0.0]
機械学習(ML)は多くの分野に適用可能な重要なツールである。
研究室でシミュレートされた土木工学アプリケーションのためのMLは、現実世界のテストでは失敗することが多い。
本稿では,物理に基づくMLの歴史と土木工学への応用について概説する。
論文 参考訳（メタデータ） (2021-10-09T15:50:21Z) - Bridging observation, theory and numerical simulation of the ocean using
Machine Learning [0.08155575318208629]
海洋の研究は、MLが対処できるユニークな課題の組み合わせを示しています。
利用可能な観測データは、ほとんど空間的に希薄であり、表面に限定されており、数十年以上に及ぶ時系列は少ない。
このレビューでは、MLを適用することで提供される現在の科学的洞察と、差し迫った潜在能力の所在を論じる。
論文 参考訳（メタデータ） (2021-04-26T12:11:51Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳（メタデータ） (2020-08-10T06:07:52Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z)
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。