論文の概要: Contaminant source identification in groundwater by means of artificial neural network

• arxiv url: http://arxiv.org/abs/2207.09459v1
• Date: Tue, 19 Jul 2022 14:51:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-21 12:54:51.426418
• Title: Contaminant source identification in groundwater by means of artificial neural network
• Title（参考訳）: 人工ニューラルネットワークによる地下水汚染源の同定
• Authors: Daniele Secci, Laura Molino, Andrea Zanini
• Abstract要約: 本研究の目的は, 前方および逆輸送問題を解決するために, 複数のシナリオを解析できるデータ駆動モデルを開発することである。 このモデルが生み出す利点は、文学研究と比較された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In a desired environmental protection system, groundwater may not be excluded. In addition to the problem of over-exploitation, in total disagreement with the concept of sustainable development, another not negligible issue concerns the groundwater contamination. Mainly, this aspect is due to intensive agricultural activities or industrialized areas. In literature, several papers have dealt with transport problem, especially for inverse problems in which the release history or the source location are identified. The innovative aim of the paper is to develop a data-driven model that is able to analyze multiple scenarios, even strongly non-linear, in order to solve forward and inverse transport problems, preserving the reliability of the results and reducing the uncertainty. Furthermore, this tool has the characteristic of providing extremely fast responses, essential to identify remediation strategies immediately. The advantages produced by the model were compared with literature studies. In this regard, a feedforward artificial neural network, which has been trained to handle different cases, represents the data-driven model. Firstly, to identify the concentration of the pollutant at specific observation points in the study area (forward problem); secondly, to deal with inverse problems identifying the release history at known source location; then, in case of one contaminant source, identifying the release history and, at the same time, the location of the source in a specific sub-domain of the investigated area. At last, the observation error is investigated and estimated. The results are satisfactorily achieved, highlighting the capability of the ANN to deal with multiple scenarios by approximating nonlinear functions without the physical point of view that describes the phenomenon, providing reliable results, with very low computational burden and uncertainty.
• Abstract（参考訳）: 所望の環境保護システムでは地下水は排除できない。 過剰曝露の問題に加えて、持続的な開発という概念と全面的に矛盾する問題として、地下水汚染に関して無視できない問題がある。 主に集約的な農業活動や工業化によるものである。 文献では、特にリリース履歴やソース位置が特定される逆問題に対して、いくつかの論文が輸送問題に対処している。 本論文の革新的な目的は, 前方および逆輸送問題の解決, 結果の信頼性の確保, 不確実性の低減を図り, 複数のシナリオを解析し, 強非線形でも解析できるデータ駆動モデルを開発することである。 さらに、このツールは、修復戦略を即座に特定するために必須の、非常に高速な応答を提供する特徴を有する。 このモデルによる利点は、文献研究と比較された。 この点において、異なるケースを扱うために訓練されたフィードフォワード人工ニューラルネットワークは、データ駆動モデルを表している。 第一に、研究領域の特定の観測点における汚染物質の濃度(前方問題)を同定し、第二に、既知のソース位置におけるリリース履歴を識別する逆問題に対処すること、次に、ある汚染源の場合、リリース履歴を識別し、同時に、調査領域の特定のサブドメインにおけるソースの位置を特定すること。 最終的に、観測誤差を調査し、推定する。 その結果、ANNが複数のシナリオに対処する能力を強調し、現象を記述する物理的視点を使わずに非線形関数を近似し、計算負担と不確実性が非常に少ない信頼性のある結果を提供する。

関連論文リスト

• Water quality polluted by total suspended solids classified within an Artificial Neural Network approach [0.0]
  懸濁液による水質汚染は、環境と健康に重大なリスクをもたらす。 これらの課題に対処するために, 全懸濁固体から水質の包括的データセットを活用するモデルを開発した。 畳み込みニューラルネットワークは, 異なる懸濁液濃度に対応するデータを用いて, 伝達学習手法で訓練された。
  論文  参考訳（メタデータ） (2024-10-19T01:33:08Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Beyond Tides and Time: Machine Learning Triumph in Water Quality [0.0]
  この研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としている。 我々の研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としています。
  論文  参考訳（メタデータ） (2023-09-29T03:33:53Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• On the ISS Property of the Gradient Flow for Single Hidden-Layer Neural Networks with Linear Activations [0.0]
  本研究では,不確かさが勾配推定に及ぼす影響について検討した。 一般の過度にパラメータ化された定式化は、損失関数が最小化される集合の外側に配置されるスプリアス平衡の集合を導入することを示す。
  論文  参考訳（メタデータ） (2023-05-17T02:26:34Z)
• Solving High-Dimensional Inverse Problems with Auxiliary Uncertainty via Operator Learning with Limited Data [0.35880734696551125]
  システム状態の観測からの情報源の同定は、帰属と予測に不可欠である。 データ課題は、状態とソースの高次元性、サロゲートモデルをトレーニングするためのコストのかかるモデルシミュレーションの限定的なアンサンブル、インバージョンのためのほとんど、潜在的にノイズの多い状態観察から生じる。 本研究では,(1)シミュレーションのアンサンブルによって提供されるフローマップに,ディープニューラルネットワークのサロゲートを校正するフレームワークを導入し,(2)ベイジアンフレームワークにおけるこれらのサロゲートを用いて,最適化による観測からのソースの特定を行う。
  論文  参考訳（メタデータ） (2023-03-20T18:29:23Z)
• Differentiable Invariant Causal Discovery [106.87950048845308]
  観測データから因果構造を学ぶことは、機械学習の基本的な課題である。 本稿では,不特定変分因果解法(DICD)を提案する。 合成および実世界のデータセットに関する大規模な実験は、DICDがSHDの36%まで最先端の因果発見手法より優れていることを検証している。
  論文  参考訳（メタデータ） (2022-05-31T09:29:07Z)
• Principled Knowledge Extrapolation with GANs [92.62635018136476]
  我々は,知識外挿の新たな視点から,対実合成を研究する。 本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。 提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
  論文  参考訳（メタデータ） (2022-05-21T08:39:42Z)
• BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
  本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。 本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-07T10:14:18Z)
• Deep Gravity: enhancing mobility flows generation with deep neural networks and geographic information [1.479639149658596]
  既存のフロー生成ソリューションは主にメカニスティックなアプローチに基づいている。 フロー生成に有効な解として,多機能深層重力モデルを提案する。 本実験は, イングランドの通勤流を対象とした実験で, MFDGモデルが性能を著しく向上させることを示すものである。
  論文  参考訳（メタデータ） (2020-12-01T13:49:46Z)

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。