論文の概要: Towards an AI-based Early Warning System for Bridge Scour
- arxiv url: http://arxiv.org/abs/2208.10500v1
- Date: Mon, 22 Aug 2022 15:13:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 12:31:11.881332
- Title: Towards an AI-based Early Warning System for Bridge Scour
- Title（参考訳）: AIによる橋梁の早期警報システムの実現に向けて
- Authors: Negin Yousefpour and Oscar Correa
- Abstract要約: 本研究では,橋脚に設置したソナーおよびステージセンサから得られたリアルタイムモニタリングデータに基づいて,せん断の早期予測のための新しいAI手法を提案する。
長期記憶ネットワーク(LSTM)を開発し,11年以上にわたって河川ステージとベッドの高さを計測した。
その結果, LSTMは, 橋脚周辺の流れおよび河床変動の経時的および季節的変化を, せん断と充填のサイクルを通じて捉えることができ, 早ければ7日前まで, 今後のせん断深度を合理的に予測できることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scour is the number one cause of bridge failure in many parts of the world.
Considering the lack of reliability in existing empirical equations for scour
depth estimation and the complexity and uncertainty of scour as a physical
phenomenon, it is essential to develop more reliable solutions for scour risk
assessment. This study introduces a novel AI approach for early forecast of
scour based on real-time monitoring data obtained from sonar and stage sensors
installed at bridge piers. Long-short Term Memory networks (LSTMs), a prominent
Deep Learning algorithm successfully used for time-series forecasting in other
fields, were developed and trained using river stage and bed elevation readings
for more than 11 years obtained from Alaska scour monitoring program. The
capability of the AI models in scour prediction is shown for three case-study
bridges. Results show that LSTMs can capture the temporal and seasonal patterns
of both flow and river bed variations around bridge piers, through cycles of
scour and filling and can provide reasonable predictions of upcoming scour
depth as early as seven days in advance. It is expected that the proposed
solution can be implemented by transportation authorities for development of
emerging AI-based early warning systems, enabling superior bridge scour
management.
- Abstract（参考訳）: スクリューは、世界中の多くの地域で橋の故障の原因の1つである。
せん断深度推定のための既存の経験方程式の信頼性の欠如と、せん断の複雑さと不確かさを物理現象として考慮し、より信頼性の高いせん断リスク評価ソリューションを開発することが不可欠である。
本研究では,橋脚に設置したソナーおよびステージセンサから得られたリアルタイムモニタリングデータに基づいて,せん断の早期予測のための新しいAI手法を提案する。
長期記憶ネットワーク(lstms,long-short term memory networks)は,アラスカ・スコーア・モニタリング・プログラムから得られた11年以上にわたって,河川ステージとベッドの標高測定を用いて,時系列予測に有効なディープラーニングアルゴリズムである。
スクーア予測におけるaiモデルの能力は、3つのケーススタディブリッジで示される。
その結果, LSTMは, 橋脚周辺の流れおよび河床変動の経時的および季節的変化を, せん断と充填のサイクルを通じて捉えることができ, 早ければ7日前まで, 今後のせん断深度を合理的に予測できることがわかった。
提案手法は,新たなaiに基づく早期警戒システムの開発のために交通当局によって実現され,橋梁スコーア管理に優れていることが期待される。
関連論文リスト
- Application of Long-Short Term Memory and Convolutional Neural Networks for Real-Time Bridge Scour Prediction [0.0]
我々は,過去のセンサモニタリングデータに基づいて,橋脚周辺の深度変化を予測するために,ディープラーニングアルゴリズムの力を利用する。
本研究では,Long Short-Term Memory (LSTM) モデルとConvolutional Neural Network (CNN) モデルの性能について検討した。
論文 参考訳（メタデータ） (2024-04-25T12:04:36Z) - Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。
我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。
この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文 参考訳（メタデータ） (2023-12-18T09:05:28Z) - Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。
近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。
洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文 参考訳（メタデータ） (2023-07-29T22:49:50Z) - Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。
この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
論文 参考訳（メタデータ） (2022-11-01T11:07:37Z) - Determination of building flood risk maps from LiDAR mobile mapping data [11.128919681798664]
洪水シミュレーションは、洪水の危険がある地域や建物に早期警告を与えることができる。
ファサードの開口部の高さを知ることは、水浸水の影響を受けやすい場所を特定するのに役立つ。
本研究では,LiDAR移動地図データから窓やドアを抽出する手法を提案する。
論文 参考訳（メタデータ） (2022-01-14T15:36:08Z) - Predicting Road Flooding Risk with Machine Learning Approaches Using
Crowdsourced Reports and Fine-grained Traffic Data [1.0554048699217669]
本研究の目的は,機械学習モデルを用いて地形,水文,時間的降水特性に基づいて,道路浸水リスクを予測することである。
ハリケーン・ハービーの発見は、降水が道路の浸水感受性を予測する上で最も重要な特徴であることを示している。
本研究は,道路レベルでの予測的洪水リスクマッピングの観点から,スマートフラッドレジリエンスの新たな分野を推し進めるものである。
論文 参考訳（メタデータ） (2021-08-30T14:25:58Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳（メタデータ） (2020-12-25T01:40:29Z) - From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。
我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。
また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
論文 参考訳（メタデータ） (2020-12-02T21:01:29Z) - Deep Learning for Flight Demand Forecasting [0.0]
この研究は、より良いデータソースと堅牢な予測アルゴリズムという2つの重要な側面から予測精度を改善することを目指している。
我々は,シーケンス・ツー・シークエンス(seq2seq)とシークエンス・シークエンス(seq2seq)のDL手法を用いて予測モデルを訓練した。
より優れたデータソースによって、注意を持つseq2seqは、古典的自己回帰(AR)予測法と比較して平均2乗誤差(mse)を60%以上削減することができる。
論文 参考訳（メタデータ） (2020-11-06T16:46:19Z) - Predictive Analytics for Water Asset Management: Machine Learning and
Survival Analysis [55.41644538483948]
本研究では,水管故障の予測のための統計的および機械学習の枠組みについて検討する。
スペイン,バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。
その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要な危険因子の影響が明らかにされた。
論文 参考訳（メタデータ） (2020-07-02T19:08:36Z) - A Network Percolation-based Contagion Model of Flood Propagation and
Recession in Urban Road Networks [2.5876546798940616]
都市道路網は公共サービスの提供や緊急対応に不可欠である。
本研究では,都市道路網における洪水水の時空間拡散・後退過程を数学的に記述する。
提案モデルの適用は,2017年のハリケーン・ハーベイにおけるハリス郡の道路洪水の高解像度履歴データを用いて検証された。
論文 参考訳（メタデータ） (2020-04-07T17:25:41Z)
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。