論文の概要: Accurate Discharge Coefficient Prediction of Streamlined Weirs by
Coupling Linear Regression and Deep Convolutional Gated Recurrent Unit
- arxiv url: http://arxiv.org/abs/2204.05476v1
- Date: Tue, 12 Apr 2022 01:59:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-14 04:01:58.800155
- Title: Accurate Discharge Coefficient Prediction of Streamlined Weirs by
Coupling Linear Regression and Deep Convolutional Gated Recurrent Unit
- Title（参考訳）: リニア回帰とディープ・コンボリューショナル・ゲート・リカレント・ユニットの結合による流線形ワイアの正確な放電係数予測
- Authors: Weibin Chen, Danial Sharifrazi, Guoxi Liang, Shahab S. Band, Kwok Wing
Chau, Amir Mosavi
- Abstract要約: 本研究では,CFDシミュレーションに代わるデータ駆動モデリング手法を提案する。
提案した3層階層型DLアルゴリズムは,後続の2つのGRUレベルを結合した畳み込み層で構成されており,LR法とハイブリダイゼーションすることで,誤差の低減につながることがわかった。
- 参考スコア（独自算出の注目度）: 2.4475596711637433
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Streamlined weirs which are a nature-inspired type of weir have gained
tremendous attention among hydraulic engineers, mainly owing to their
established performance with high discharge coefficients. Computational fluid
dynamics (CFD) is considered as a robust tool to predict the discharge
coefficient. To bypass the computational cost of CFD-based assessment, the
present study proposes data-driven modeling techniques, as an alternative to
CFD simulation, to predict the discharge coefficient based on an experimental
dataset. To this end, after splitting the dataset using a k fold cross
validation technique, the performance assessment of classical and hybrid
machine learning deep learning (ML DL) algorithms is undertaken. Among ML
techniques linear regression (LR) random forest (RF) support vector machine
(SVM) k-nearest neighbor (KNN) and decision tree (DT) algorithms are studied.
In the context of DL, long short-term memory (LSTM) convolutional neural
network (CNN) and gated recurrent unit (GRU) and their hybrid forms such as
LSTM GRU, CNN LSTM and CNN GRU techniques, are compared using different error
metrics. It is found that the proposed three layer hierarchical DL algorithm
consisting of a convolutional layer coupled with two subsequent GRU levels,
which is also hybridized with the LR method, leads to lower error metrics. This
paper paves the way for data-driven modeling of streamlined weirs.
- Abstract（参考訳）: 自然に着想を得たワイアである流線形ワイアは, 主に高放電係数の確立した性能のため, 油圧技術者の間で大きな注目を集めている。
計算流体力学(CFD)は放電係数を予測する頑健なツールであると考えられている。
そこで本研究では,CFDシミュレーションの代替として,データ駆動型モデリング手法を提案する。
この目的のために、kフォールドクロス検証技術を用いてデータセットを分割した後、古典的およびハイブリッド機械学習ディープラーニング(ML DL)アルゴリズムの性能評価を行う。
ML手法では,線形回帰 (LR) ランダムフォレスト (RF) 支援ベクトルマシン (SVM) k-nearest neighbor (KNN) と決定木 (DT) アルゴリズムについて検討した。
DLの文脈では、長い短期記憶(LSTM)畳み込みニューラルネットワーク(CNN)とゲートリカレントユニット(GRU)とそのハイブリッド形式(LSTM GRU、CNN LSTM、CNN GRU)を異なるエラーメトリクスを用いて比較する。
提案する3層階層型dlアルゴリズムは,lr法とハイブリダライズされた2つの gru レベルと結合した畳み込み層からなるため,誤差メトリクスが小さくなることがわかった。
本稿では,合理化ワイアのデータ駆動モデリング手法について述べる。
関連論文リスト
- LC-SVD-DLinear: A low-cost physics-based hybrid machine learning model for data forecasting using sparse measurements [2.519319150166215]
本稿では, 特異値分解(SVD)と浅い線形ニューラルネットワークを統合して高分解能流体力学データの予測を行う手法を提案する。
本稿では,高階特異値分解アルゴリズムの低コストバージョンと高階データ用に設計されたDLinearネットワークを組み合わせたLC-HOSVD-DLinearを提案する。
論文 参考訳（メタデータ） (2024-11-26T13:43:50Z) - Graph Neural Networks and Differential Equations: A hybrid approach for data assimilation of fluid flows [0.0]
本研究では,グラフニューラルネットワーク(GNN)とReynolds-Averaged Navier Stokes(RANS)方程式を組み合わせた新しいハイブリッド手法を提案する。
その結果, 純粋なデータ駆動モデルと比較して, 再構成平均流の精度は著しく向上した。
論文 参考訳（メタデータ） (2024-11-14T14:31:52Z) - Koopman-Based Surrogate Modelling of Turbulent Rayleigh-Bénard Convection [4.248022697109535]
我々は,LRAN(Linear Recurrent Autoencoder Network)と呼ばれるクープマンにインスパイアされたアーキテクチャを用いて,対流中の低次ダイナミクスを学習する。
従来の流体力学法であるKernel Dynamic Mode Decomposition (KDMD)を用いてLRANを比較する。
我々は,最も乱流条件下では,KDMDよりもLRANの方が正確な予測値を得た。
論文 参考訳（メタデータ） (2024-05-10T12:15:02Z) - Generalization capabilities and robustness of hybrid machine learning models grounded in flow physics compared to purely deep learning models [2.8686437689115363]
本研究では,流体力学応用における物理原理に基づく純粋深層学習モデルとハイブリッドモデルの一般化能力と堅牢性について検討する。
3つの自己回帰モデルを比較した。畳み込み自己エンコーダと畳み込みLSTM、変分自己エンコーダ(VAE)とConvLSTMと適切な分解(POD)とLSTM(POD-DL)を組み合わせたハイブリッドモデルである。
VAEおよびConvLSTMモデルは層流を正確に予測する一方で、ハイブリッドPOD-DLモデルは層流と乱流の双方において他のモデルよりも優れていた。
論文 参考訳（メタデータ） (2024-04-27T12:43:02Z) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳（メタデータ） (2023-06-14T11:41:42Z) - A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。
自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。
時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
論文 参考訳（メタデータ） (2023-01-24T08:39:20Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳（メタデータ） (2022-08-28T17:50:19Z) - Mixed Precision Low-bit Quantization of Neural Network Language Models
for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。
現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。
本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文 参考訳（メタデータ） (2021-11-29T12:24:02Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2020-05-05T18:08:23Z) - A hybrid model based on deep LSTM for predicting high-dimensional
chaotic systems [2.094821665776961]
本研究では,深部長短期記憶(LSTM)モデルと動的システムの不正確な経験的モデルを組み合わせたハイブリッド手法を提案する。
提案手法は,カオスアトラクションを再構築する際の多層LSTMモデルの高速分散を効果的に回避できる。
論文 参考訳（メタデータ） (2020-01-21T06:47:44Z)
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。