論文の概要: Data-driven prediction and control of extreme events in a chaotic flow
- arxiv url: http://arxiv.org/abs/2204.11682v1
- Date: Mon, 25 Apr 2022 14:19:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-26 15:53:49.451413
- Title: Data-driven prediction and control of extreme events in a chaotic flow
- Title（参考訳）: カオス流れにおけるデータ駆動予測と極端な事象の制御
- Authors: Alberto Racca and Luca Magri
- Abstract要約: 流体力学では、極端な事象はシステムの最適設計と操作性に悪影響を及ぼす可能性がある。
本稿では,カオス的なせん断流れにおける極端な事象の予測と制御のためのデータ駆動手法を提案する。
- 参考スコア（独自算出の注目度）: 6.85316573653194
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An extreme event is a sudden and violent change in the state of a nonlinear
system. In fluid dynamics, extreme events can have adverse effects on the
system's optimal design and operability, which calls for accurate methods for
their prediction and control. In this paper, we propose a data-driven
methodology for the prediction and control of extreme events in a chaotic shear
flow. The approach is based on echo state networks, which are a type of
reservoir computing that learn temporal correlations within a time-dependent
dataset. The objective is five-fold. First, we exploit ad-hoc metrics from
binary classification to analyse (i) how many of the extreme events predicted
by the network actually occur in the test set (precision), and (ii) how many
extreme events are missed by the network (recall). We apply a principled
strategy for optimal hyperparameter selection, which is key to the networks'
performance. Second, we focus on the time-accurate prediction of extreme
events. We show that echo state networks are able to predict extreme events
well beyond the predictability time, i.e., up to more than five Lyapunov times.
Third, we focus on the long-term prediction of extreme events from a
statistical point of view. By training the networks with datasets that contain
non-converged statistics, we show that the networks are able to learn and
extrapolate the flow's long-term statistics. In other words, the networks are
able to extrapolate in time from relatively short time series. Fourth, we
design a simple and effective control strategy to prevent extreme events from
occurring. The control strategy decreases the occurrence of extreme events up
to one order of magnitude with respect to the uncontrolled system. Finally, we
analyse the robustness of the results for a range of Reynolds numbers. We show
that the networks perform well across a wide range of regimes.
- Abstract（参考訳）: 極端な出来事は、非線形システムの状態の突然で激しい変化である。
流体力学では、極端な事象はシステムの最適設計と操作性に悪影響を及ぼし、予測と制御の正確な方法を要求する。
本稿では,カオスせん断流れにおける極端な事象の予測と制御のためのデータ駆動手法を提案する。
このアプローチは、時間依存データセット内の時間相関を学習する貯水池コンピューティングの一種であるエコー状態ネットワークに基づいている。
目的は5倍である。
まず、二項分類から分析のためのアドホックメトリクスを利用する。
i) ネットワークによって予測される極端な事象のどれ程が実際にテストセット(精度)で発生しているか、そして
(ii) ネットワークによってどれだけの極端なイベントが見逃されるか(リコール)。
本稿では,ネットワーク性能の鍵となる最適パラメータ選択のための基本戦略を適用する。
第2に、極端事象の時間精度予測に焦点を当てる。
我々は、エコー状態ネットワークは、予測可能時間、すなわち5回以上のリアプノフ時間を超えて、極端な事象を予測できることを示した。
第3に,統計的観点からの極端な事象の長期予測に焦点を当てる。
非収束統計を含むデータセットでネットワークを訓練することにより、ネットワークがフローの長期統計を学習し、外挿することができることを示す。
言い換えれば、ネットワークは比較的短い時系列から時間内に外挿することができる。
第4に、極端に発生しないよう、シンプルで効果的な制御戦略を設計する。
制御戦略は、制御されていないシステムに関して、極端事象の発生を1桁まで減少させる。
最後に,様々なレイノルズ数に対する結果のロバスト性を分析する。
ネットワークは広い範囲のレジームにまたがってうまく機能することを示す。
関連論文リスト
- ReFine: Boosting Time Series Prediction of Extreme Events by Reweighting and Fine-tuning [0.0]
衝撃的な出来事を表すため、極端に重要な出来事である。
極端な出来事を正確に予測することは 困難です 希少さと不規則さのために
課題に対処するために、再重み付けと微調整という2つの戦略を提案する。
論文 参考訳（メタデータ） (2024-09-21T19:29:29Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - Exploring the Limits of Historical Information for Temporal Knowledge
Graph Extrapolation [59.417443739208146]
本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。
CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。
提案したモデルを5つのベンチマークグラフで評価する。
論文 参考訳（メタデータ） (2023-08-29T03:26:38Z) - Control-aware echo state networks (Ca-ESN) for the suppression of
extreme events [6.85316573653194]
極端事象は、カオス非線形系の状態や観測可能な状態における突然の大きな振幅変化である。
制御対応エコー状態ネットワーク(Ca-ESN)を導入し、ESNと制御戦略をシームレスに組み合わせ、極端な事象を抑制する。
論文 参考訳（メタデータ） (2023-08-06T12:22:01Z) - Who Should I Engage with At What Time? A Missing Event Aware Temporal
Graph Neural Network [4.770906657995415]
本稿では,イベント認識型時間グラフニューラルネットワークMTGNを提案する。
MTGNは既存の手法よりも最大89%,112%,正確な時間とリンク予測に優れていた。
論文 参考訳（メタデータ） (2023-01-20T02:22:55Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳（メタデータ） (2022-08-31T18:19:25Z) - Statistical prediction of extreme events from small datasets [6.85316573653194]
乱流中の極端な事象の統計を予測するために,Echo State Networks (ESNs) を訓練する。
ネットワークが小さな不完全なデータセットから外挿でき、イベントを記述するヘビーテール統計を予測できるかどうかを評価する。
論文 参考訳（メタデータ） (2022-01-20T16:58:51Z) - A Semi-Supervised Approach for Abnormal Event Prediction on Large
Operational Network Time-Series Data [1.544681800932596]
本稿では,ネットワーク時系列と時間点間の依存関係を効率的にキャプチャする半教師付き手法を提案する。
本手法は, 正規および異常サンプルに対する分離可能な埋め込み空間を明示的に学習するために, ラベル付き限られたデータを使用することができる。
実験により,我々の手法は大規模実世界のネットワークログ上でのイベント検出において,最先端の手法よりも著しく優れていた。
論文 参考訳（メタデータ） (2021-10-14T18:33:57Z) - Networked Time Series Prediction with Incomplete Data [59.45358694862176]
我々は、歴史と未来の両方で欠落した値を持つ不完全なデータでトレーニングできる新しいディープラーニングフレームワークであるNetS-ImpGANを提案する。
3つの実世界のデータセットに対して、異なるパターンと欠落率で広範な実験を行う。
論文 参考訳（メタデータ） (2021-10-05T18:20:42Z) - Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。
本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
論文 参考訳（メタデータ） (2020-11-23T05:42:20Z) - Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。
ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。
我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文 参考訳（メタデータ） (2020-06-20T03:29:02Z)
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。