論文の概要: Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models

• arxiv url: http://arxiv.org/abs/2211.10884v1
• Date: Sun, 20 Nov 2022 06:46:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 22:11:41.573442
• Title: Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models
• Title（参考訳）: マルチスケールディジタル双生児:不確定気候モデルを用いた地下水汚染の高速・物理インフォームドサロゲートモデルの開発
• Authors: Lijing Wang, Takuya Kurihana, Aurelien Meray, Ilijana Mastilovic, Satyarth Praveen, Zexuan Xu, Milad Memarzadeh, Alexander Lavin, Haruko Wainwright
• Abstract要約: 気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
• 参考スコア（独自算出の注目度）: 53.44486283038738
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Soil and groundwater contamination is a pervasive problem at thousands of locations across the world. Contaminated sites often require decades to remediate or to monitor natural attenuation. Climate change exacerbates the long-term site management problem because extreme precipitation and/or shifts in precipitation/evapotranspiration regimes could re-mobilize contaminants and proliferate affected groundwater. To quickly assess the spatiotemporal variations of groundwater contamination under uncertain climate disturbances, we developed a physics-informed machine learning surrogate model using U-Net enhanced Fourier Neural Operator (U-FNO) to solve Partial Differential Equations (PDEs) of groundwater flow and transport simulations at the site scale.We develop a combined loss function that includes both data-driven factors and physical boundary constraints at multiple spatiotemporal scales. Our U-FNOs can reliably predict the spatiotemporal variations of groundwater flow and contaminant transport properties from 1954 to 2100 with realistic climate projections. In parallel, we develop a convolutional autoencoder combined with online clustering to reduce the dimensionality of the vast historical and projected climate data by quantifying climatic region similarities across the United States. The ML-based unique climate clusters provide climate projections for the surrogate modeling and help return reliable future recharge rate projections immediately without querying large climate datasets. In all, this Multi-scale Digital Twin work can advance the field of environmental remediation under climate change.
• Abstract（参考訳）: 土壌と地下水の汚染は世界中の何千もの場所で広範囲にわたる問題である。 汚染されたサイトは、修復や自然の減衰を監視するのに何十年もかかることが多い。 気候変動は、降水・蒸発散体制の過度な降水および/またはシフトが汚染物質を再動員し、影響した地下水を増殖させるため、長期的な管理問題を悪化させる。 そこで我々は,不確定な気候変動下での地下水汚染の時空間変動を迅速に評価するために,u-net拡張フーリエニューラルネットワーク(u-fno)を用いた物理式機械学習サーロゲートモデルを開発し,地下水流動と輸送シミュレーションの偏微分方程式(pdes)を現場スケールで解く。 U-FNOは、1954年から2100年までの地下水流と汚染物質輸送特性の時空間変動を、現実的な気候予測によって確実に予測できる。 並行して,オンラインクラスタリングと組み合わされた畳み込みオートエンコーダを開発し,アメリカ合衆国全域の気候領域の類似性を定量化することにより,巨大な歴史的・予測された気候データの次元性を低減する。 mlベースのユニークな気候クラスターは、サロゲートモデリングのための気候予測を提供し、大規模な気候データセットをクエリすることなく、信頼できる将来のチャージレート予測を直ちに返すのに役立つ。 このマルチスケールデジタル双生児の研究は、気候変動下での環境浄化の分野を前進させることができる。

関連論文リスト

• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Combining deep generative models with extreme value theory for synthetic hazard simulation: a multivariate and spatially coherent approach [0.0]
  GAN(Generative Adversarial Network)は、高次元設定でデータの分布を暗黙的に学習する能力のため、このような問題に適している。 我々は,ベンガル湾に面した日最大風速,波高,総降水量の依存構造をモデル化するために,GANを用いた。 一度訓練すれば、このモデルは何千もの現実的な複合危険事象を効率的に生成することができる。
  論文  参考訳（メタデータ） (2023-11-30T12:55:51Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
  計算負担を軽減するため,近年の大規模分散時間GPを構築した。 我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
  論文  参考訳（メタデータ） (2022-11-15T14:15:04Z)
• Loosely Conditioned Emulation of Global Climate Models With Generative Adversarial Networks [2.937141232326068]
  我々は、完全に結合した地球モデルから毎日の降水量をエミュレートする2つの「緩やかな条件付き」ジェネレーターネットワーク(GAN)を訓練する。 GANは時間的なサンプルを作り出すために訓練されます:地球を区別する64x128規則的な格子上の沈殿物の32日。 当社の訓練を受けたGANは、大幅に削減された計算コストで多数の実現を迅速に生成できます。
  論文  参考訳（メタデータ） (2021-04-29T02:10:08Z)
• DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
  地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。 妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。 本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
  論文  参考訳（メタデータ） (2020-11-23T20:13:37Z)
• Dynamical Landscape and Multistability of a Climate Model [64.467612647225]
  2つの気候モデルのうちの1つで第3の中間安定状態が見つかる。 我々のアプローチを組み合わせることで、海洋熱輸送とエントロピー生産の負のフィードバックが地球の気候の地形をどのように大きく変えるかを特定することができる。
  論文  参考訳（メタデータ） (2020-10-20T15:31:38Z)
• HECT: High-Dimensional Ensemble Consistency Testing for Climate Models [1.7587442088965226]
  気候モデルは、気候変動が気候変動に与える影響を理解する上で重要な役割を担い、気候変動のリスクを軽減し、決定を通知する。 コミュニティアース・システム・モデル (CESM) のような大域的な気候モデルは、大気、陸、海、氷の相互作用を記述する数百万行のコードで非常に複雑である。 私たちの研究は、木に基づくアルゴリズムやディープニューラルネットワークのような確率論的手法を使って、高次元および人為的なデータの統計的に厳密な適合性テストを行います。
  論文  参考訳（メタデータ） (2020-10-08T15:16:16Z)
• Augmented Convolutional LSTMs for Generation of High-Resolution Climate Change Projections [1.7503398807380832]
  統計的ダウンスケーリングのための補助的情報時空間ニューラルアーキテクチャを提案する。 現在の研究では、世界で最も気候的に多様化したインドにおいて、ESMの出力から1.15度 (115 km) から0.25度 (25 km) まで、毎日降水量のダウンスケーリングを行っている。
  論文  参考訳（メタデータ） (2020-09-23T17:52:09Z)

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。