論文の概要: Development and Validation of an AI-Driven Model for the La Rance Tidal Barrage: A Generalisable Case Study

• arxiv url: http://arxiv.org/abs/2202.05347v1
• Date: Thu, 10 Feb 2022 22:02:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-14 15:13:31.470148
• Title: Development and Validation of an AI-Driven Model for the La Rance Tidal Barrage: A Generalisable Case Study
• Title（参考訳）: La Rance Tidal BarrageのためのAI駆動モデルの開発と検証:一般的なケーススタディ
• Authors: T\'ulio Marcondes Moreira, Jackson Geraldo de Faria Jr, Pedro O.S. Vaz-de-Melo and Gilberto Medeiros-Ribeiro
• Abstract要約: 斬新なパラメトリゼーションと深層強化学習技術を用いて,ラランス潮流のAI駆動モデル表現を開発した。 実験により, 構築した干潟防波堤に対する第1次干潟域構造(TRS)モデルの有効性を検証した。
• 参考スコア（独自算出の注目度）: 2.485182034310303
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this work, an AI-Driven (autonomous) model representation of the La Rance tidal barrage was developed using novel parametrisation and Deep Reinforcement Learning (DRL) techniques. Our model results were validated with experimental measurements, yielding the first Tidal Range Structure (TRS) model validated against a constructed tidal barrage and made available to academics. In order to proper model La Rance, parametrisation methodologies were developed for simulating (i) turbines (in pumping and power generation modes), (ii) transition ramp functions (for opening and closing hydraulic structures) and (iii) equivalent lagoon wetted area. Furthermore, an updated DRL method was implemented for optimising the operation of the hydraulic structures that compose La Rance. The achieved objective of this work was to verify the capabilities of an AI-Driven TRS model to appropriately predict (i) turbine power and (ii) lagoon water level variations. In addition, the observed operational strategy and yearly energy output of our AI-Driven model appeared to be comparable with those reported for the La Rance tidal barrage. The outcomes of this work (developed methodologies and DRL implementations) are generalisable and can be applied to other TRS projects. Furthermore, this work provided insights which allow for more realistic simulation of TRS operation, enabled through our AI-Driven model.
• Abstract（参考訳）: 本研究では,新しいパラメトリゼーションと深層強化学習(DRL)技術を用いて,ラ・ランス潮流のAI駆動モデル表現を開発した。 モデル実験の結果を実験により検証し, 構築した干潟群に対して第1の干潟域構造(TRS)モデルを作成し, 研究者に利用可能とした。 La Ranceを適切なモデルにするため、シミュレーションのためのパラメトリゼーション手法を開発した。 (i)タービン(ポンプ及び発電モード) (ii)遷移ランプ機能(水理構造物の開閉用)及び (三)ラグーン湿地に相当する。 さらに,La Ranceを構成する油圧構造物の運転を最適化するために,更新DRL法を実装した。 この研究の成果は、AI駆動型TRSモデルが適切に予測する能力を検証することである。 (i)タービン動力及び (II)ラグーン水位の変化。 さらに、観測された運用戦略とAI駆動モデルの年次エネルギー出力は、La Ranceの干ばつ被害の報告と同等であるように見えた。 この研究の結果(開発方法論とDRLの実装)は一般化可能であり、他のTRSプロジェクトに応用できる。 さらにこの研究は、私たちのAI駆動モデルによって実現された、より現実的なTLS操作シミュレーションを可能にする洞察を提供する。

関連論文リスト

• PIVOT-R: Primitive-Driven Waypoint-Aware World Model for Robotic Manipulation [68.17081518640934]
  ロボット操作のためのPrIrmitive-driVen waypOinT-aware world model(PIVOT-R)を提案する。 PIVOT-RはWAWM(Waypoint-aware World Model)と軽量アクション予測モジュールで構成される。 私たちのPIVOT-RはSeaWaveベンチマークで最先端のオープンソースモデルより優れており、4段階の命令タスクで平均19.45%の相対的な改善を実現しています。
  論文  参考訳（メタデータ） (2024-10-14T11:30:18Z)
• Unleashing the Power of Task-Specific Directions in Parameter Efficient Fine-tuning [65.31677646659895]
  本稿では,タスク固有の方向性 (TSD) の概念に着目し,大規模モデルを事前学習状態からPEFTにおけるタスク固有の拡張へ移行させる。 本稿では,微調整過程におけるTSDの影響を最大化し,目標タスクにおけるモデル性能を向上させることを目的とした新しいアプローチであるLoRA-Dashを紹介する。
  論文  参考訳（メタデータ） (2024-09-02T08:10:51Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [51.244807332133696]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• Towards Efficient Task-Driven Model Reprogramming with Foundation Models [52.411508216448716]
  ビジョンファウンデーションモデルは、非常に大きなモデルキャパシティと幅広いトレーニングデータから恩恵を受け、印象的なパワーを示す。 しかし、実際には、下流のシナリオは限られた計算資源や効率上の考慮のため、小さなモデルしかサポートできない。 これは、ファンデーションモデルの現実的な応用に重要な課題をもたらします。
  論文  参考訳（メタデータ） (2023-04-05T07:28:33Z)
• On Transforming Reinforcement Learning by Transformer: The Development Trajectory [97.79247023389445]
  Transformerは元々自然言語処理用に開発されたもので、コンピュータビジョンでも大きな成功を収めている。 既存の開発をアーキテクチャ拡張と軌道最適化の2つのカテゴリに分類する。 ロボット操作,テキストベースのゲーム,ナビゲーション,自律運転におけるTRLの主な応用について検討する。
  論文  参考訳（メタデータ） (2022-12-29T03:15:59Z)
• Vessel-following model for inland waterways based on deep reinforcement learning [0.0]
  本研究の目的は、複雑な車両動特性と環境障害に対するRLに基づく車両追従の実現可能性を検討することである。 そこで本研究では,現実的な船舶力学に基づく内陸水路の船体追従モデルを構築した。 モデルでは,すべてのシナリオにおいて安全で快適な運転が示され,優れた一般化能力が証明された。
  論文  参考訳（メタデータ） (2022-07-07T12:19:03Z)
• Model-based versus Model-free Deep Reinforcement Learning for Autonomous Racing Cars [46.64253693115981]
  本稿では,モデルに基づく深層強化学習エージェントが現実世界の自律車両制御タスクに一般化する方法について検討する。 本稿では,想像力で学習可能なモデルベースエージェント,パフォーマンス,サンプル効率,タスク完了,一般化に関して,モデルフリーエージェントを実質的に上回っていることを示す。
  論文  参考訳（メタデータ） (2021-03-08T17:15:23Z)
• Efficient Reservoir Management through Deep Reinforcement Learning [36.89242259597806]
  我々は,効率的なダム運転ガイドラインの計算に強化学習(RL)手法を利用する。 具体的には,実データを用いたオフラインシミュレータと,上流のインフローのための数学モデルを構築した。 実験の結果,DLM を用いたシミュレータは上流での流入動態を効率的にモデル化し,RL アルゴリズムで訓練されたダム運転ポリシーは人為的な政策よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-07T16:13:05Z)
• DAIS: Automatic Channel Pruning via Differentiable Annealing Indicator Search [55.164053971213576]
  畳み込みニューラルネットワークは,計算オーバーヘッドが大きいにもかかわらず,コンピュータビジョンタスクの実行において大きな成功を収めている。 構造的(チャネル)プルーニングは、通常、ネットワーク構造を保ちながらモデルの冗長性を低減するために適用される。 既存の構造化プルーニング法では、手作りのルールが必要であり、これは大きなプルーニング空間に繋がる可能性がある。
  論文  参考訳（メタデータ） (2020-11-04T07:43:01Z)
• Model-based actor-critic: GAN (model generator) + DRL (actor-critic) => AGI [0.0]
  本稿ではアクター批判的(モデルフリー)アーキテクチャに(生成的/予測的)環境モデルを追加することを提案する。 提案するAIモデルは(モデルフリーの)DDPGに似ているため、モデルベースDDPGと呼ばれる。 モデルベースアクター批判におけるDRLとGANは,各タスクを(モデルフリーの)DDPGと同等の性能で解決するために,段階的な目標駆動知性を必要とすることを示した。
  論文  参考訳（メタデータ） (2020-04-04T02:05:54Z)

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。