論文の概要: Data-driven and machine-learning based prediction of wave propagation
behavior in dam-break flood
- arxiv url: http://arxiv.org/abs/2209.08729v1
- Date: Mon, 19 Sep 2022 02:58:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 19:22:36.050100
- Title: Data-driven and machine-learning based prediction of wave propagation
behavior in dam-break flood
- Title(参考訳): データ駆動・機械学習によるダム破砕洪水の波動伝播挙動の予測
- Authors: Changli Li, Zheng Han, Yange Li, Ming Li, Weidong Wang
- Abstract要約: 最小限のデータ量で十分にトレーニングされた機械学習モデルは,1次元ダム破壊洪水の長期的動的挙動を良好な精度で予測する上で有効であることを示す。
我々は,0.01未満の根平均二乗誤差 (RMSE) でダム破砕洪水の波動伝播挙動を286回予測するRC-ESNモデルの優れた予測能力を実証した。
- 参考スコア(独自算出の注目度): 11.416877401689735
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The computational prediction of wave propagation in dam-break floods is a
long-standing problem in hydrodynamics and hydrology. Until now, conventional
numerical models based on Saint-Venant equations are the dominant approaches.
Here we show that a machine learning model that is well-trained on a minimal
amount of data, can help predict the long-term dynamic behavior of a
one-dimensional dam-break flood with satisfactory accuracy. For this purpose,
we solve the Saint-Venant equations for a one-dimensional dam-break flood
scenario using the Lax-Wendroff numerical scheme and train the reservoir
computing echo state network (RC-ESN) with the dataset by the simulation
results consisting of time-sequence flow depths. We demonstrate a good
prediction ability of the RC-ESN model, which ahead predicts wave propagation
behavior 286 time-steps in the dam-break flood with a root mean square error
(RMSE) smaller than 0.01, outperforming the conventional long short-term memory
(LSTM) model which reaches a comparable RMSE of only 81 time-steps ahead. To
show the performance of the RC-ESN model, we also provide a sensitivity
analysis of the prediction accuracy concerning the key parameters including
training set size, reservoir size, and spectral radius. Results indicate that
the RC-ESN are less dependent on the training set size, a medium reservoir size
K=1200~2600 is sufficient. We confirm that the spectral radius \r{ho} shows a
complex influence on the prediction accuracy and suggest a smaller spectral
radius \r{ho} currently. By changing the initial flow depth of the dam break,
we also obtained the conclusion that the prediction horizon of RC-ESN is larger
than that of LSTM.
- Abstract(参考訳): ダム破壊洪水における波動伝播の予測は、流体力学と流体学における長年の問題である。
これまでは、サン=ヴェナント方程式に基づく従来の数値モデルが主流である。
ここでは,最小限のデータ量で十分に訓練された機械学習モデルが,1次元ダム破砕洪水の長期的動的挙動を精度良く予測できることを示す。
この目的のために,Lax-Wendroff数値スキームを用いた一次元ダム決壊洪水シナリオに対するサン・ヴェナント方程式を解くとともに,時間列流深度からなるシミュレーション結果を用いて,貯留層計算エコー状態ネットワーク(RC-ESN)を訓練する。
本研究では,0.01未満のルート平均二乗誤差(RMSE)を有するダム決壊洪水における波動伝播挙動を286回予測するRC-ESNモデルについて,従来の長短期メモリ(LSTM)モデルよりも優れた予測性能を示す。
また, RC-ESNモデルの性能を示すために, トレーニングセットサイズ, 貯水池サイズ, スペクトル半径を含む鍵パラメータについて, 予測精度の感度解析を行った。
その結果, RC-ESNはトレーニングセットサイズに依存せず, 中間貯留層サイズK=1200~2600で十分であることが示唆された。
スペクトル半径 \r{ho} は予測精度に複雑な影響を示し、現在より小さいスペクトル半径 \r{ho} が示唆されている。
また,ダム破断の初期流れ深度を変化させることで,RC-ESNの予測地平線がLSTMよりも大きいという結論を得た。
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) - 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) - Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。
その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2023-01-19T20:04:36Z) - Probabilistic forecasting for geosteering in fluvial successions using a
generative adversarial network [0.0]
リアルタイムデータに基づく高速更新は、プレドリルモデルで高い不確実性を持つ複雑な貯水池での掘削に不可欠である。
本稿では, フラビアル継承の地質学的に一貫した2次元断面を再現するためのGAN(generative adversarial Deep Neural Network)を提案する。
この手法は不確実性を低減し, 掘削ビットより500m先にある主要な地質特性を正確に予測する。
論文 参考訳(メタデータ) (2022-07-04T12:52:38Z) - A Systematic Exploration of Reservoir Computing for Forecasting Complex
Spatiotemporal Dynamics [0.0]
Reservoir Computer (RC) は、本質的にカオス力学系の予測アーキテクチャに成功しているリカレントニューラルネットワークの一種である。
多数の特性力学系に対する「クラス最良」RCのアーキテクチャと設計選択について検討する。
ローカライゼーションを用いた大規模モデルへのスケールアップにおけるこれらの選択の適用について述べる。
論文 参考訳(メタデータ) (2022-01-21T22:31:12Z) - SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。
KRRのストリーミング版であるStreaMRAKを提案する。
本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
論文 参考訳(メタデータ) (2021-08-23T21:03:09Z) - Artificial Intelligence Hybrid Deep Learning Model for Groundwater Level
Prediction Using MLP-ADAM [0.0]
本稿では,多層パーセプトロンを用いて地下水位をシミュレーションする。
この問題には適応モーメント推定アルゴリズムも用いられる。
その結果,ディープラーニングアルゴリズムは高精度な予測が可能であることが示唆された。
論文 参考訳(メタデータ) (2021-07-29T10:11:45Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳(メタデータ) (2021-04-27T18:17:42Z) - Predicting Training Time Without Training [120.92623395389255]
我々は、事前訓練された深層ネットワークが損失関数の所定の値に収束する必要がある最適化ステップの数を予測する問題に取り組む。
我々は、微調整中の深部ネットワークのトレーニングダイナミクスが線形化モデルによってよく近似されているという事実を活用する。
トレーニングをする必要なく、特定の損失にモデルを微調整するのに要する時間を予測できます。
論文 参考訳(メタデータ) (2020-08-28T04:29:54Z) - On Projection Robust Optimal Transport: Sample Complexity and Model
Misspecification [101.0377583883137]
射影ロバスト(PR)OTは、2つの測度の間のOTコストを最大化するために、射影可能な$k$次元部分空間を選択する。
私たちの最初の貢献は、PRワッサーシュタイン距離のいくつかの基本的な統計的性質を確立することである。
次に、部分空間を最適化するのではなく平均化することにより、PRW距離の代替として積分PRワッサーシュタイン距離(IPRW)を提案する。
論文 参考訳(メタデータ) (2020-06-22T14:35:33Z) - Stream-Flow Forecasting of Small Rivers Based on LSTM [3.921808417990452]
本稿では,Long-Short Term Memory(LSTM)ディープラーニングモデルを用いて,予測を行う新しい手法を提案する。
本研究は,中国湖西省の1つの水文局の河川流量データと,周辺11の降雨局の降水データを収集し,河川流量データの予測を行った。
平均二乗誤差(RMSE)、平均絶対誤差(MAE)、判定係数(R2)の3つの基準を用いて予測結果を評価した。
論文 参考訳(メタデータ) (2020-01-16T07:14:32Z)
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。