論文の概要: Farm-wide virtual load monitoring for offshore wind structures via
Bayesian neural networks
- arxiv url: http://arxiv.org/abs/2211.00642v1
- Date: Mon, 31 Oct 2022 13:02:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 12:43:43.737005
- Title: Farm-wide virtual load monitoring for offshore wind structures via
Bayesian neural networks
- Title（参考訳）: ベイジアンニューラルネットワークによるオフショア風構造に対する農業用仮想負荷モニタリング
- Authors: N. Hlaing, Pablo G. Morato, F. d. N. Santos, W. Weijtjens, C.
Devriendt, P. Rigo
- Abstract要約: ベイジアンニューラルネットワーク(BNN)を用いた仮想負荷監視フレームワークを提案する。
BNNは、発生した負荷予測に関連する不確かさを本質的に発表し、非監視風力タービンで発生した不正確な負荷推定を検出できるようにする。
以上の結果から,BNNモデルの有効性が示された。
- 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: Offshore wind structures are subject to deterioration mechanisms throughout
their operational lifetime. Even if the deterioration evolution of structural
elements can be estimated through physics-based deterioration models, the
uncertainties involved in the process hurdle the selection of lifecycle
management decisions. In this scenario, the collection of relevant information
through an efficient monitoring system enables the reduction of uncertainties,
ultimately driving more optimal lifecycle decisions. However, a full monitoring
instrumentation implemented on all wind turbines in a farm might become
unfeasible due to practical and economical constraints. Besides, certain load
monitoring systems often become defective after a few years of marine
environment exposure. Addressing the aforementioned concerns, a farm-wide
virtual load monitoring scheme directed by a fleet-leader wind turbine offers
an attractive solution. Fetched with data retrieved from a fully-instrumented
wind turbine, a model can be trained and then deployed, thus yielding load
predictions of non-fully monitored wind turbines, from which only standard data
remains available. In this paper, we propose a virtual load monitoring
framework formulated via Bayesian neural networks (BNNs) and we provide
relevant implementation details needed for the construction, training, and
deployment of BNN data-based virtual monitoring models. As opposed to their
deterministic counterparts, BNNs intrinsically announce the uncertainties
associated with generated load predictions and allow to detect inaccurate load
estimations generated for non-fully monitored wind turbines. The proposed
virtual load monitoring is thoroughly tested through an experimental campaign
in an operational offshore wind farm and the results demonstrate the
effectiveness of BNN models for fleet-leader-based farm-wide virtual
monitoring.
- Abstract（参考訳）: オフショアの風構造は、その活動期間を通じて劣化するメカニズムを伴っている。
物理に基づく劣化モデルによって構造要素の劣化進化を推定できるとしても、プロセスに関わる不確実性はライフサイクル管理決定の選択を妨げている。
このシナリオでは、効率的なモニタリングシステムを通じて関連する情報の収集によって不確実性の低減が可能になり、最終的にはより最適なライフサイクル決定が導かれる。
しかしながら、農場のすべての風力タービンで実施される完全な監視装置は、実用的で経済的制約のために実現不可能になる可能性がある。
さらに、いくつかの負荷監視システムは、数年間の海洋環境暴露の後、しばしば欠陥となる。
上記の懸念に対処するため、フリートリーダー風力タービンによる農場全体の仮想負荷監視スキームは魅力的なソリューションを提供する。
完全装備の風力タービンから取得したデータにより、モデルは訓練され、デプロイされ、非監視の風力タービンの負荷予測が得られ、そこから標準データのみが利用可能となる。
本稿では,ベイジアンニューラルネットワーク(BNN)を介して構成された仮想負荷監視フレームワークを提案し,BNNデータに基づく仮想監視モデルの構築,トレーニング,デプロイに必要な実装の詳細について述べる。
bnnは、その決定論的対応とは対照的に、発生した負荷予測に関連する不確かさを本質的に発表し、非監視風力タービンで発生する不正確な負荷推定を検出できるようにする。
提案した仮想負荷モニタリングは, 実運用型洋上風力発電における実験キャンペーンを通じて徹底的に検証され, BNNモデルの有効性が実証された。
関連論文リスト
- Atmospheric Transport Modeling of CO$_2$ with Neural Networks [46.26819563674888]
大気中のCO$の分布を大気トレーサー輸送モデルで正確に記述することは、温室効果ガスモニタリングおよび検証支援システムに不可欠である。
大きな深層ニューラルネットワークは、大気の3Dモデリングを必要とする気象予報に革命を起こす可能性がある。
本研究では,気象予測の最先端として実証された4種類の深層ニューラルネットワークについて検討し,大気トレーサー輸送モデルの有用性について検討した。
論文 参考訳（メタデータ） (2024-08-20T17:33:20Z) - Self-supervised Multi-future Occupancy Forecasting for Autonomous Driving [45.886941596233974]
LiDARで生成された占有グリッドマップ(L-OGM)は、シーン表現のための頑丈な鳥眼ビューを提供する。
提案するフレームワークは、生成アーキテクチャの潜在空間においてL-OGM予測を行う。
我々は、リアルタイムに高品質な予測を提供するシングルステップデコーダまたは拡散ベースのバッチデコーダを用いて予測をデコードする。
論文 参考訳（メタデータ） (2024-07-30T18:37:59Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Probabilistic Multi-Layer Perceptrons for Wind Farm Condition Monitoring [4.956709222278242]
本研究では,通常行動モデルに基づく風力発電施設のコンディションモニタリングシステムについて述べる。
このモデルは、監督制御とデータ取得システムから得られた特徴に基づいて、風力タービンの出力パワーを予測する。
論文 参考訳（メタデータ） (2024-04-25T10:41:12Z) - OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
軌道予測はコンピュータビジョンと自律運転の基本である。
この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。
本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
論文 参考訳（メタデータ） (2024-04-02T18:30:29Z) - Population-based wind farm monitoring based on a spatial autoregressive
approach [0.0]
人口ベースの構造的健康モニタリングは、健康モニタリングシステムのコストをさらに削減することができる。
人口・農業レベルでタービンの性能を監視するためには、すべてのタービンの挙動を記述するモデルを構築することが重要な初期段階である。
本稿では, 覚醒効果によって引き起こされる空間的および時間的相関(タービン間)を明示的に捉えた集団レベルのモデルを提案する。
論文 参考訳（メタデータ） (2023-10-16T16:26:40Z) - Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。
異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
論文 参考訳（メタデータ） (2023-07-25T14:09:53Z) - A Reinforcement Learning Approach for Robust Supervisory Control of UAVs
Under Disturbances [1.8799681615947088]
無人航空機(UAV)の監視強化学習制御手法を提案する。
我々は,既存の組込み制御と交差する監視制御アーキテクチャを定式化し,悪風の形での環境障害に対する堅牢性を示す。
論文 参考訳（メタデータ） (2023-05-21T19:00:06Z) - Modeling Wind Turbine Performance and Wake Interactions with Machine
Learning [0.0]
SCADAとオンショアウィンドファームで収集された気象データに基づいて異なる機械学習モデル(ML)を訓練する。
データ品質制御と事前処理のためのML手法を調査対象のデータセットに適用する。
風力タービンのパワーキャプチャーをモデル化するために,ハイブリッドモデルが高精度であることがわかった。
論文 参考訳（メタデータ） (2022-12-02T23:07:05Z) - Intelligent Icing Detection Model of Wind Turbine Blades Based on SCADA
data [0.0]
本稿では,畳み込みニューラルネットワーク(CNN),GAN(Generative Adversarial Network),ドメイン適応学習(Domain Adaption Learning)を用いて,インテリジェントな診断フレームワークを構築する可能性について検討する。
本研究は, 正常およびアイシング試料の固有特徴を捉えるために, 並列GANを用いた2段階の訓練について検討する。
3つの風力タービンSCADAデータのモデル検証は、2段階の訓練がモデル性能を効果的に改善できることを示している。
論文 参考訳（メタデータ） (2021-01-20T00:46:52Z) - Predictive Maintenance for Edge-Based Sensor Networks: A Deep
Reinforcement Learning Approach [68.40429597811071]
未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。
機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。
従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
論文 参考訳（メタデータ） (2020-07-07T10:00:32Z)
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。