論文の概要: Variational encoder geostatistical analysis (VEGAS) with an application to large scale riverine bathymetry

• arxiv url: http://arxiv.org/abs/2111.11719v1
• Date: Tue, 23 Nov 2021 08:27:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-25 01:00:39.426970
• Title: Variational encoder geostatistical analysis (VEGAS) with an application to large scale riverine bathymetry
• Title（参考訳）: 変分エンコーダ地球統計解析(vegas)と大規模河川浴計への応用
• Authors: Mojtaba Forghani, Yizhou Qian, Jonghyun Lee, Matthew Farthing, Tyler Hesser, Peter K. Kitanidis, and Eric F. Darve
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.2093180801186911
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimation of riverbed profiles, also known as bathymetry, plays a vital role in many applications, such as safe and efficient inland navigation, prediction of bank erosion, land subsidence, and flood risk management. The high cost and complex logistics of direct bathymetry surveys, i.e., depth imaging, have encouraged the use of indirect measurements such as surface flow velocities. However, estimating high-resolution bathymetry from indirect measurements is an inverse problem that can be computationally challenging. Here, we propose a reduced-order model (ROM) based approach that utilizes a variational autoencoder (VAE), a type of deep neural network with a narrow layer in the middle, to compress bathymetry and flow velocity information and accelerate bathymetry inverse problems from flow velocity measurements. In our application, the shallow-water equations (SWE) with appropriate boundary conditions (BCs), e.g., the discharge and/or the free surface elevation, constitute the forward problem, to predict flow velocity. Then, ROMs of the SWEs are constructed on a nonlinear manifold of low dimensionality through a variational encoder. Estimation with uncertainty quantification (UQ) is performed on the low-dimensional latent space in a Bayesian setting. We have tested our inversion approach on a one-mile reach of the Savannah River, GA, USA. Once the neural network is trained (offline stage), the proposed technique can perform the inversion operation orders of magnitude faster than traditional inversion methods that are commonly based on linear projections, such as principal component analysis (PCA), or the principal component geostatistical approach (PCGA). Furthermore, tests show that the algorithm can estimate the bathymetry with good accuracy even with sparse flow velocity measurements.
• Abstract（参考訳）: 河川底面形状の推定は, 河川水位計としても知られ, 安全かつ効率的な内陸航行, 銀行の浸食予測, 地盤沈下, 洪水リスク管理など多くの応用において重要な役割を担っている。 深度イメージング(deep imaging)と呼ばれる直接水位測定の高コストかつ複雑なロジスティクスは、表面流速などの間接的な測定を奨励している。 しかし, 間接的な測定から高分解能バストメトリを推定することは, 計算上難しい逆問題である。 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の一種である可変オートエンコーダ(VAE)を用いて,水圧測定および流速情報を圧縮し,流速測定から水圧測定逆問題を高速化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。 本研究では, 適切な境界条件(bcs)を有する浅水方程式(swe)を用いて, 流速予測のための前方問題を構成する。 次に、変動エンコーダを介して低次元の非線形多様体上にswesのromを構築する。 ベイジアンセッティングにおける低次元潜在空間上で不確実量化(UQ)による推定を行う。 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。 ニューラルネットワークをトレーニングすると(オフライン段階)、主成分分析(PCA)や主成分統計学的アプローチ(PCGA)などの線形射影を基本とした従来の逆解析手法よりもはるかに高速に逆演算命令を実行できる。 さらに, 粗流流速測定においても, 精度よく水温測定を推定できることが検証された。

関連論文リスト

• Low-rank extended Kalman filtering for online learning of neural networks from streaming data [71.97861600347959]
  非定常データストリームから非線形関数のパラメータを推定するための効率的なオンライン近似ベイズ推定アルゴリズムを提案する。 この方法は拡張カルマンフィルタ (EKF) に基づいているが、新しい低ランク+斜角行列分解法を用いている。 変分推論に基づく手法とは対照的に,本手法は完全に決定論的であり,ステップサイズチューニングを必要としない。
  論文  参考訳（メタデータ） (2023-05-31T03:48:49Z)
• Physics-informed compressed sensing for PC-MRI: an inverse Navier-Stokes problem [78.20667552233989]
  我々は、ノイズやスパース磁気共鳴信号から速度場を復元するための物理インフォームド圧縮センシング(PICS)法を定式化する。 本手法は, 疎サンプリング信号から速度場を再構成し, セグメンテーションすることができる。
  論文  参考訳（メタデータ） (2022-07-04T14:51:59Z)
• Deep Equilibrium Optical Flow Estimation [80.80992684796566]
  最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。 これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。 暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
  論文  参考訳（メタデータ） (2022-04-18T17:53:44Z)
• Deep learning-based fast solver of the shallow water equations [1.2093180801186911]
  浅水方程式(SWE)の従来の数値解法は計算に高価であり、高分解能な河床形状測定(ベースメトリー)を必要とする。 そこで我々は,まず主成分測地学的アプローチ(PCGA)を用いて,流速測定から流速測定の確率密度関数を推定し,機械学習(ML)アルゴリズムを用いてSWEの高速解法を得る2段階プロセスを提案する。 以上の結果から, 高速解法は, 浴量測定とBCの異なる流速を, 計算コストで精度良く予測できることを示した。
  論文  参考訳（メタデータ） (2021-11-23T07:47:56Z)
• 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)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• U-Net-Based Surrogate Model For Evaluation of Microfluidic Channels [0.0]
  本研究では,U-Net畳み込みニューラルネットワークをサーロゲートモデルとして,速度と圧力場の予測に用いることを実証する。 どちらのアプリケーションでも1%未満の予測テスト誤差が示されており、これが実際に実行可能な方法であることを示唆している。
  論文  参考訳（メタデータ） (2021-05-11T16:27:58Z)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)
• Application of deep learning to large scale riverine flow velocity estimation [1.2093180801186911]
  従来の手法は計算に高価であり、正確な予測には高分解能な河床プロファイル測定(水位測定)が必要である。 ここでは、PCA-DNN(主成分分析ディープニューラルネットワーク)、SE(教師付きエンコーダ)、SVE(教師付き変分エンコーダ)という3つの解法を用いる。 その結果,高速解法は,従来の手法による境界値問題の解法よりもはるかに低い計算コストで,精度良く流速を予測できることがわかった。
  論文  参考訳（メタデータ） (2020-12-04T14:26:33Z)
• ML-LBM: Machine Learning Aided Flow Simulation in Porous Media [0.0]
  多孔質媒質内の流体流動の直接シミュレーションは、合理的な時間枠で解くために重要な計算資源を必要とする。 流体流の予測と直接流シミュレーションを組み合わせた統合手法について概説する。 畳み込みニューラルネットワーク(CNN)に基づくディープラーニング技術により,定常速度場を正確に推定できることが示されている。
  論文  参考訳（メタデータ） (2020-04-22T01:55:59Z)

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。