論文の概要: Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data

• arxiv url: http://arxiv.org/abs/2305.11913v1
• Date: Thu, 18 May 2023 12:30:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-24 02:01:52.387749
• Title: Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data
• Title（参考訳）: スパースリモートセンシングデータを用いた位相分解型非線形海面高度再構成のための機械学習
• Authors: Svenja Ehlers, Marco Klein, Alexander Heinlein, Mathies Wedler, Nicolas Desmars, Norbert Hoffmann, Merten Stender
• Abstract要約: ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
• 参考スコア（独自算出の注目度）: 52.77024349608834
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate short-term prediction of phase-resolved water wave conditions is crucial for decision-making in ocean engineering. However, the initialization of remote-sensing-based wave prediction models first requires a reconstruction of wave surfaces from sparse measurements like radar. Existing reconstruction methods either rely on computationally intensive optimization procedures or simplistic modeling assumptions that compromise real-time capability or accuracy of the entire prediction process. We therefore address these issues by proposing a novel approach for phase-resolved wave surface reconstruction using neural networks based on the U-Net and Fourier neural operator (FNO) architectures. Our approach utilizes synthetic yet highly realistic training data on uniform one-dimensional grids, that is generated by the high-order spectral method for wave simulation and a geometric radar modeling approach. The investigation reveals that both models deliver accurate wave reconstruction results and show good generalization for different sea states when trained with spatio-temporal radar data containing multiple historic radar snapshots in each input. Notably, the FNO-based network performs better in handling the data structure imposed by wave physics due to its global approach to learn the mapping between input and desired output in Fourier space.
• Abstract（参考訳）: 相分解水波の正確な短期予測は海洋工学における意思決定に不可欠である。 しかし、リモートセンシングに基づく波動予測モデルの初期化は、まずレーダーのような粗い測定から波面を再構築する必要がある。 既存の再構築手法は計算集約的な最適化手順に依存するか、予測プロセス全体のリアルタイム能力や精度を損なう単純なモデリングの仮定に依存する。 そこで我々は,U-Net と Fourier Neural operator (FNO) アーキテクチャに基づくニューラルネットワークを用いた位相分解波面再構成手法を提案する。 本手法は,波動シミュレーションのための高次スペクトル法と幾何学的レーダモデルによる一次元格子の合成的かつ高現実的なトレーニングデータを利用する。 調査の結果,両モデルとも正確な波動再構成結果が得られ,各入力に複数の歴史的レーダスナップショットを含む時空間レーダデータを用いて訓練すると,異なる海状態に対して良好な一般化が得られた。 特に、FNOベースのネットワークは、入力と所望の出力のマッピングをフーリエ空間で学習するためのグローバルアプローチにより、波動物理学によって課されるデータ構造を扱う上で、より優れた性能を発揮する。

関連論文リスト

• Continual Learning of Range-Dependent Transmission Loss for Underwater Acoustic using Conditional Convolutional Neural Net [0.0]
  本研究では,遠方界シナリオにおける水中放射音予測のための深層学習モデルの精度向上を目的としている。 そこで本稿では,海洋浴量測定データを入力に組み込んだ新しいレンジ条件畳み込みニューラルネットワークを提案する。 提案アーキテクチャは, 帯域依存性の異なる様々な浴量測定プロファイル上での透過損失を効果的に捕捉する。
  論文  参考訳（メタデータ） (2024-04-11T19:13:38Z)
• A Physics-informed machine learning model for time-dependent wave runup prediction [0.0]
  物理インフォームド・機械学習に基づく手法を提案し,時系列波の効率的なシミュレートを行った。 条件生成対向ネットワーク(cGAN)を用いて、XBSBからのウェーブランアップの画像表現をXBNHからの対応する画像にマッピングする。 cGANモデルは、XBSBからの物理知識を取り入れることで、画像と画像のマッピングタスクの性能を向上させる。
  論文  参考訳（メタデータ） (2024-01-12T18:58:37Z)
• Data assimilation and parameter identification for water waves using the nonlinear Schr\"{o}dinger equation and physics-informed neural networks [0.3495246564946556]
  波高計などのその場観測装置を用いた深海重力波の上昇の測定は、典型的にはスパースデータを出力する。 この分散性は、設置の労力と高い運用コストのために、限られた数のゲージが配置されたことから生じる。 本稿では、物理インフォームドニューラルネットワーク(PINN)を用いて、物理的に一貫した波動場を再構成する手法を提案する。
  論文  参考訳（メタデータ） (2024-01-08T07:35:48Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• Synthetic Wave-Geometric Impulse Responses for Improved Speech Dereverberation [69.1351513309953]
  室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。 本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
  論文  参考訳（メタデータ） (2022-12-10T20:15:23Z)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Learning Wave Propagation with Attention-Based Convolutional Recurrent Autoencoder Net [0.0]
  本稿では、波動伝播現象のデータ駆動モデリングのための、エンド・ツー・エンドの注意に基づく畳み込み再帰型オートエンコーダ(AB-CRAN)ネットワークを提案する。 波動伝搬に時間依存の双曲偏微分方程式で与えられる全階スナップショットから、デノナイジングに基づく畳み込みオートエンコーダを用いる。 注意に基づくシーケンス・ツー・シーケンス・ネットワークは、通常のRNN-LSTMと比較して、予測の時間-水平を5倍増加させる。
  論文  参考訳（メタデータ） (2022-01-17T20:51:59Z)
• Seismic wave propagation and inversion with Neural Operators [7.296366040398878]
  我々は、最近開発されたNeural Operatorと呼ばれる機械学習パラダイムを用いて、一般的なソリューションを学習するためのプロトタイプフレームワークを開発した。 訓練されたニューラル演算子は、任意の速度構造やソース位置について、無視可能な時間で解を計算することができる。 本手法を2次元音響波動方程式を用いて説明し, 地震トモグラフィへの適用性を実証する。
  論文  参考訳（メタデータ） (2021-08-11T19:17:39Z)
• Autoencoder-driven Spiral Representation Learning for Gravitational Wave Surrogate Modelling [47.081318079190595]
  オートエンコーダを用いた経験的係数における基礎構造の存在について検討する。 ニューラルネットワークの第一層として使用される学習可能なパラメータを持つスパイラルモジュールを設計し,入力空間を係数にマッピングする方法を学習する。 スパイラルモジュールは複数のニューラルネットワークアーキテクチャ上で評価され、ベースラインモデルよりも一貫して速度-精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2021-07-09T09:03:08Z)

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。