論文の概要: Attention U-Net as a surrogate model for groundwater prediction
- arxiv url: http://arxiv.org/abs/2204.04518v1
- Date: Sat, 9 Apr 2022 17:46:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-12 17:02:53.373670
- Title: Attention U-Net as a surrogate model for groundwater prediction
- Title（参考訳）: 地下水予測のための代理モデルとしての注意U-Net
- Authors: Maria Luisa Taccari, Jonathan Nuttall, Xiaohui Chen, He Wang, Bennie
Minnema and Peter K.Jimack
- Abstract要約: 本研究では,地下水系の応答を計算するための代理モデルとして,物理に基づく畳み込みエンコーダ・デコーダニューラルネットワークを提案する。
クロスドメインマッピングにおいて強い確約を持つエンコーダ・デコーダネットワークは、物理システムの複雑な入出力マッピングの学習に適用可能である。
- 参考スコア（独自算出の注目度）: 13.029731605492252
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Numerical simulations of groundwater flow are used to analyze and predict the
response of an aquifer system to its change in state by approximating the
solution of the fundamental groundwater physical equations. The most used and
classical methodologies, such as Finite Difference (FD) and Finite Element (FE)
Methods, use iterative solvers which are associated with high computational
cost. This study proposes a physics-based convolutional encoder-decoder neural
network as a surrogate model to quickly calculate the response of the
groundwater system. Holding strong promise in cross-domain mappings,
encoder-decoder networks are applicable for learning complex input-output
mappings of physical systems. This manuscript presents an Attention U-Net model
that attempts to capture the fundamental input-output relations of the
groundwater system and generates solutions of hydraulic head in the whole
domain given a set of physical parameters and boundary conditions. The model
accurately predicts the steady state response of a highly heterogeneous
groundwater system given the locations and piezometric head of up to 3 wells as
input. The network learns to pay attention only in the relevant parts of the
domain and the generated hydraulic head field corresponds to the target samples
in great detail. Even relative to coarse finite difference approximations the
proposed model is shown to be significantly faster than a comparative
state-of-the-art numerical solver, thus providing a base for further
development of the presented networks as surrogate models for groundwater
prediction.
- Abstract（参考訳）: 地下水流動の数値シミュレーションを用いて, 基礎地下水物理方程式の解を近似することにより, 帯水層系の状態変化に対する応答を解析・予測する。
有限差分法(英語版)(fd)や有限要素法(英語版)(fe)のような最もよく使われる古典的手法は、計算コストの高い反復解法を用いる。
本研究では,地下水系の応答を高速に計算するための代理モデルとして,物理に基づく畳み込みエンコーダ・デコーダニューラルネットワークを提案する。
クロスドメインマッピングにおいて強い保証を持つエンコーダデコーダネットワークは、物理システムの複雑な入出力マッピングを学習するために応用できる。
本論文は, 地下水システムの基本的な入出力関係を捉え, 物理パラメータと境界条件の組を与えられた領域全体の油圧ヘッドの解を生成する, 注意力u-netモデルを提案する。
このモデルは,最大3つの井戸の位置と水位計の頭部を入力として,高度に均一な地下水系の定常応答を正確に予測する。
ネットワークは、ドメインの関連部分のみに注意を払うことを学び、生成された油圧ヘッドフィールドは、ターゲットサンプルに非常に詳細に対応する。
粗い有限差分近似と比較しても,提案モデルの方が比較的高速であることが示され,地下水予測のための代理モデルとして提示されたネットワークをさらに発展させる基盤となる。
関連論文リスト
- Towards Interpretable Physical-Conceptual Catchment-Scale Hydrological Modeling using the Mass-Conserving-Perceptron [1.1510009152620668]
本研究では, ニューラル・アーキテクチャー・サーチを用いて, 異なる気候環境下での漁獲量に対する最小限の表現を適切に決定することにより, 地域規模のMPPに基づく水文モデル(大規模なサンプルデータを用いた)の解釈の段階を定めている。
論文 参考訳（メタデータ） (2024-01-25T21:26:49Z) - Data assimilation and parameter identification for water waves using the
nonlinear Schr\"{o}dinger equation and physics-informed neural networks [0.3495246564946556]
波高計などのその場観測装置を用いた深海重力波の上昇の測定は、典型的にはスパースデータを出力する。
この分散性は、設置の労力と高い運用コストのために、限られた数のゲージが配置されたことから生じる。
本稿では、物理インフォームドニューラルネットワーク(PINN)を用いて、物理的に一貫した波動場を再構成する手法を提案する。
論文 参考訳（メタデータ） (2024-01-08T07:35:48Z) - A Novel Data-driven Numerical Method for Hydrological Modeling of Water Infiltration in Porous Media [0.4028503203417233]
根圏土壌の水分モニタリングはセンサによるスマート灌水と農業干ばつ防止に不可欠である。
本稿ではDRW(Data-driven Global Random Walk)アルゴリズムという新しいデータ駆動アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-04T13:33:37Z) - Optimization of a Hydrodynamic Computational Reservoir through Evolution [58.720142291102135]
我々は,スタートアップが開発中の流体力学系のモデルと,計算貯水池としてインターフェースする。
我々は、進化探索アルゴリズムを用いて、読み出し時間と入力を波の振幅や周波数にどのようにマッピングするかを最適化した。
この貯水池システムに進化的手法を適用することで、手作業パラメータを用いた実装と比較して、XNORタスクの分離性が大幅に向上した。
論文 参考訳（メタデータ） (2023-04-20T19:15:02Z) - Neural Basis Functions for Accelerating Solutions to High Mach Euler
Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。
ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。
これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文 参考訳（メタデータ） (2022-08-02T18:27:13Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Deep Learning for the Benes Filter [91.3755431537592]
本研究では,メッシュのないニューラルネットワークによるベンズモデルの解の密度の表現に基づく新しい数値計算法を提案する。
ニューラルネットワークの領域選択におけるフィルタリングモデル方程式における非線形性の役割について論じる。
論文 参考訳（メタデータ） (2022-03-09T14:08:38Z) - Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文 参考訳（メタデータ） (2022-02-07T17:47:46Z) - Artificial Intelligence Hybrid Deep Learning Model for Groundwater Level
Prediction Using MLP-ADAM [0.0]
本稿では,多層パーセプトロンを用いて地下水位をシミュレーションする。
この問題には適応モーメント推定アルゴリズムも用いられる。
その結果,ディープラーニングアルゴリズムは高精度な予測が可能であることが示唆された。
論文 参考訳（メタデータ） (2021-07-29T10:11:45Z) - Data-driven Full-waveform Inversion Surrogate using Conditional
Generative Adversarial Networks [0.0]
フル波形インバージョン(FWI)速度モデリングは、正確で詳細な速度場モデルを提供する反復的な高度な技術です。
本研究では,複数の入力を持つ条件付き生成逆数ネットワーク(cGAN)を用いて,FWIによって得られた速度場モデルを生成する手法を提案する。
論文 参考訳（メタデータ） (2021-04-30T21:41:24Z) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳（メタデータ） (2020-07-08T21:23:19Z)
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。