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
- Fast Cerebral Blood Flow Analysis via Extreme Learning Machine [4.373558495838564]
拡散相関分光法(DCS)を用いた高速かつ高精度な脳血流解析手法を提案する。
半無限層モデルと多層モデルの両方に対する合成データセットを用いて既存のアルゴリズムを評価する。
その結果、ELMは様々なノイズレベルや光学パラメータにわたって高い忠実度を連続的に達成し、堅牢な一般化能力を示し、反復整合アルゴリズムより優れることを示した。
論文 参考訳(メタデータ) (2024-01-10T23:01:35Z) - 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) - Generalised Latent Assimilation in Heterogeneous Reduced Spaces with
Machine Learning Surrogate Models [10.410970649045943]
我々は,低次サロゲートモデルと新しいデータ同化手法を組み合わせたシステムを開発した。
一般化された潜在同化は、低次モデリングによって提供される効率とデータ同化の精度の両方の恩恵を受けることができる。
論文 参考訳(メタデータ) (2022-04-07T15:13:12Z) - Parameter estimation for WMTI-Watson model of white matter using
encoder-decoder recurrent neural network [0.0]
本研究では,ラットおよびヒト脳のデータセット上でのNLLS,RNN法および多層パーセプトロン(MLP)の性能を評価する。
提案手法は,NLLSよりも計算時間を大幅に短縮できるという利点を示した。
論文 参考訳(メタデータ) (2022-03-01T16:33:15Z) - Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic
Turbulence via Deep Sequence Learning Models [24.025975236316842]
最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。
モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
論文 参考訳(メタデータ) (2021-12-07T03:33:39Z) - 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。