論文の概要: A Kriging-Random Forest Hybrid Model for Real-time Ground Property Prediction during Earth Pressure Balance Shield Tunneling

• arxiv url: http://arxiv.org/abs/2305.05128v1
• Date: Tue, 9 May 2023 02:16:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-10 14:03:24.558260
• Title: A Kriging-Random Forest Hybrid Model for Real-time Ground Property Prediction during Earth Pressure Balance Shield Tunneling
• Title（参考訳）: 地圧バランスシールドトンネルのリアルタイム地盤特性予測のためのKriging-Randomハイブリッドモデル
• Authors: Ziheng Geng, Chao Zhang, Yuhao Ren, Minxiang Zhu, Renpeng Chen, and Hongzhan Cheng
• Abstract要約: 地圧バランスシールドに先立って, リアルタイムな地盤特性予測を行うために, クリッギング・ランダム森林ハイブリッドモデルを開発した。 提案したKRFアルゴリズムは,事前情報とリアルタイム情報という2種類の情報を合成する。 提案したKRFアルゴリズムは,既存のLightGBM,AdaBoost-CART,および29%,8%,12%を上回り,93%の精度で地盤特性を予測できる。
• 参考スコア（独自算出の注目度）: 4.211598412777403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A kriging-random forest hybrid model is developed for real-time ground property prediction ahead of the earth pressure balanced shield by integrating Kriging extrapolation and random forest, which can guide shield operating parameter selection thereby mitigate construction risks. The proposed KRF algorithm synergizes two types of information: prior information and real-time information. The previously predicted ground properties with EPB operating parameters are extrapolated via the Kriging algorithm to provide prior information for the prediction of currently being excavated ground properties. The real-time information refers to the real-time operating parameters of the EPB shield, which are input into random forest to provide a real-time prediction of ground properties. The integration of these two predictions is achieved by assigning weights to each prediction according to their uncertainties, ensuring the prediction of KRF with minimum uncertainty. The performance of the KRF algorithm is assessed via a case study of the Changsha Metro Line 4 project. It reveals that the proposed KRF algorithm can predict ground properties with an accuracy of 93%, overperforming the existing algorithms of LightGBM, AdaBoost-CART, and DNN by 29%, 8%, and 12%, respectively. Another dataset from Shenzhen Metro Line 13 project is utilized to further evaluate the model generalization performance, revealing that the model can transfer its learned knowledge from one region to another with an accuracy of 89%.
• Abstract（参考訳）: Kriging外挿とランダムフォレストを統合したKriging-random forest hybrid modelを,地圧バランスシールドよりも先にリアルタイムに地盤特性予測のために開発し,シールドの動作パラメータ選択を誘導し,建設リスクを軽減する。 提案したKRFアルゴリズムは,事前情報とリアルタイム情報という2種類の情報を合成する。 前述したepb動作パラメータを有する地盤特性をkrigingアルゴリズムにより推定し、現在発掘されている地盤特性の予測のための事前情報を提供する。 リアルタイム情報とは、ESBシールドのリアルタイム動作パラメータを指し、ランダム森林に入力され、地盤特性のリアルタイム予測を提供する。 これら2つの予測の統合は、その不確実性に応じて各予測に重みを割り当て、最小の不確実性でKRFの予測を確実にすることで達成される。 KRFアルゴリズムの性能は、Changsha Metro Line 4プロジェクトのケーススタディを通じて評価される。 提案したkrfアルゴリズムは,lightgbm,adaboost-cart,dnnの既存のアルゴリズムを29%,8%,12%の精度で上回って,精度93%の精度で地盤特性を予測できることを明らかにした。 深センメトロ13計画の別のデータセットは、モデル一般化性能をさらに評価するために利用され、モデルが学習した知識を1つの領域から別の領域に89%の精度で転送できることが明らかにされた。

関連論文リスト

• Wind Power Prediction across Different Locations using Deep Domain Adaptive Learning [0.0]
  この断続的再生源のグリッド統合には,風力の正確な予測が不可欠である。 特定の気候領域のデータから学習する予測モデルは、ロバストさの低下に悩まされる可能性がある。 この欠点に対処するために、ディープニューラルネットワーク(DNN)に基づくドメイン適応アプローチを提案する。 提案手法は従来の非適応法と比較して6.14%から28.44%まで高い精度を示す。
  論文  参考訳（メタデータ） (2024-05-18T05:57:52Z)
• CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
  本研究は認知拡散確率モデル(CogDPM)を紹介する。 CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。 我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T15:54:50Z)
• Generative ensemble deep learning severe weather prediction from a deterministic convection-allowing model [0.0]
  コンボリューション・ニューラル・ネットワーク(CNN)とコンボリューション・コンボリューション・アロイング・モデル(CAM)予測を併用する。 CGANは決定論的CAM予測から合成アンサンブルメンバーを作成するように設計されている。 この手法は,BSS(Brier Skill Score)を最大20%の精度で予測できる。
  論文  参考訳（メタデータ） (2023-10-09T18:02:11Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• STEERING: Stein Information Directed Exploration for Model-Based Reinforcement Learning [111.75423966239092]
  遷移モデルの現在の推定値と未知の最適値との間の積分確率距離(IPM)の観点から探索インセンティブを提案する。 KSDに基づく新しいアルゴリズムを開発した。 textbfSTEin information dirtextbfEcted Explor for model-based textbfReinforcement Learntextbfing。
  論文  参考訳（メタデータ） (2023-01-28T00:49:28Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• A Deep Learning Approach to Probabilistic Forecasting of Weather [1.0499611180329804]
  本稿では,2つの連鎖学習ステップに基づく確率予測手法について論じる。 本手法は,22年間の気象調査・予測(WRF)シミュレーションデータを用いて,グリッド上の表面風の時系列データを用いて検証する。
  論文  参考訳（メタデータ） (2022-03-23T16:43:07Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• An Interpretable Probabilistic Model for Short-Term Solar Power Forecasting Using Natural Gradient Boosting [0.0]
  本稿では,高精度で信頼性が高く,鋭い予測を生成できる2段階確率予測フレームワークを提案する。 このフレームワークは、ポイント予測と予測間隔(PI)の両方について完全な透明性を提供する。 提案フレームワークの性能と適用性を強調するため,南ドイツにある2つのPV公園の実際のデータを用いている。
  論文  参考訳（メタデータ） (2021-08-05T12:59:38Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Constraining the Reionization History using Bayesian Normalizing Flows [10.28074017512078]
  本稿では,4つの天体物理および宇宙論的パラメータの後方分布を予測するためにベイズニューラルネットワーク(BNN)を用いた。 提案手法は,最先端予測性能の達成に加えて,パラメータの不確かさの正確な推定と,それらの相関関係の推測を行う。
  論文  参考訳（メタデータ） (2020-05-14T23:00:55Z)

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。