論文の概要: Deep Learning Hydrodynamic Forecasting for Flooded Region Assessment in Near-Real-Time (DL Hydro-FRAN)

• arxiv url: http://arxiv.org/abs/2305.12052v1
• Date: Sat, 20 May 2023 01:06:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-24 01:04:22.726328
• Title: Deep Learning Hydrodynamic Forecasting for Flooded Region Assessment in Near-Real-Time (DL Hydro-FRAN)
• Title（参考訳）: 近時間(dlハイドロフラン)における洪水地域評価のためのディープラーニング流体力学予測
• Authors: Francisco Haces-Garcia, Natalya Maslennikova, Craig L Glennie, Hanadi S Rifai, Vedhus Hoskere
• Abstract要約: 本研究では,複数のディープニューラルネットワーク(DNN)アーキテクチャが流体流動モデルの最適化に適しているかを検討する。 2次元HEC-RAS流体力学モデルを用いて, 低解像度の都市環境下で数回の急激な洪水現象をシミュレーションした。 以上の結果から,DNNは洪水モデルを大幅に最適化し,ほぼリアルタイムに洪水を予測できることが示唆された。
• 参考スコア（独自算出の注目度）: 1.9249287163937971
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hydrodynamic flood modeling improves hydrologic and hydraulic prediction of storm events. However, the computationally intensive numerical solutions required for high-resolution hydrodynamics have historically prevented their implementation in near-real-time flood forecasting. This study examines whether several Deep Neural Network (DNN) architectures are suitable for optimizing hydrodynamic flood models. Several pluvial flooding events were simulated in a low-relief high-resolution urban environment using a 2D HEC-RAS hydrodynamic model. These simulations were assembled into a training set for the DNNs, which were then used to forecast flooding depths and velocities. The DNNs' forecasts were compared to the hydrodynamic flood models, and showed good agreement, with a median RMSE of around 2 mm for cell flooding depths in the study area. The DNNs also improved forecast computation time significantly, with the DNNs providing forecasts between 34.2 and 72.4 times faster than conventional hydrodynamic models. The study area showed little change between HEC-RAS' Full Momentum Equations and Diffusion Equations, however, important numerical stability considerations were discovered that impact equation selection and DNN architecture configuration. Overall, the results from this study show that DNNs can greatly optimize hydrodynamic flood modeling, and enable near-real-time hydrodynamic flood forecasting.
• Abstract（参考訳）: 流動的な洪水モデリングは、暴風の水理学的および水理予測を改善する。 しかし、高分解能流体力学に必要な計算集約的な数値解は、歴史的に準リアルタイム洪水予測におけるそれらの実装を妨げてきた。 本研究では,複数の深層ニューラルネットワーク (dnn) アーキテクチャが水力学フラッドモデルの最適化に適しているかを検討する。 2次元HEC-RAS流体力学モデルを用いて, 低解像度の都市環境下での多目的洪水のシミュレーションを行った。 これらのシミュレーションはDNNのための訓練セットに組み立てられ、洪水の深さと速度を予測するために使用された。 dnnsの予測は水力学的な洪水モデルと比較され、研究エリアの細胞浸水深さについて中央値のrmseが約2mmと良好な一致を示した。 dnnsは従来の水力力学モデルよりも34.2倍から72.4倍の速さで予測計算時間を大幅に改善した。 HEC-RASの完全モーメント方程式と拡散方程式の間にはほとんど変化は見られなかったが、影響方程式の選択とDNNアーキテクチャの構成について重要な数値安定性の考察が発見された。 本研究の結果から,DNNは洪水モデルを大幅に最適化し,ほぼリアルタイムに洪水を予測できることがわかった。

関連論文リスト

• GeoFUSE: A High-Efficiency Surrogate Model for Seawater Intrusion Prediction and Uncertainty Reduction [0.10923877073891446]
  海岸帯水層への海水侵入は地下水資源に重大な脅威をもたらす。 ディープラーニングに基づく新しいサロゲートフレームワークGeoFUSEを開発した。 ワシントン州のビーバークリーク潮流-河床平原系の2次元断面にGeoFUSEを適用した。
  論文  参考訳（メタデータ） (2024-10-26T08:10:32Z)
• Large-scale flood modeling and forecasting with FloodCast [22.09906304112966]
  高速で、安定し、正確で、解像度不変であり、幾何適応的な洪水モデリングと予測フレームワークを構築します。 このフレームワークは、マルチ衛星観測と流体力学モデリングの2つの主要なモジュールから構成されている。 流体力学モデリングモジュールでは、幾何適応型物理インフォームドニューラルソルバ(GeoPINS)が導入された。 大規模洪水モデルにおいて,GeoPINS を用いた長期時間系列と広域空間領域を扱うためのシーケンス・ツー・シーケンスのGeoPINS モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-18T20:18:32Z)
• Graph Neural Networks for Pressure Estimation in Water Distribution Systems [44.99833362998488]
  水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。 物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。 我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
  論文  参考訳（メタデータ） (2023-11-17T15:30:12Z)
• 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)
• A comparison of machine learning surrogate models of street-scale flooding in Norfolk, Virginia [0.0]
  バージニア州ノーフォークを例に挙げた低地の海岸都市は、降雨と潮によって引き起こされる道路洪水の課題に直面している。 高忠実で物理に基づくシミュレーションは、都市多重洪水の正確な予測を提供するが、その計算複雑性はリアルタイムアプリケーションには適さない。 本研究では,ランダムフォレストアルゴリズムに基づく代理モデルと,Long Short-Term Memory (LSTM) と Gated Recurrent Unit (GRU) の2つのディープラーニングモデルを比較した。
  論文  参考訳（メタデータ） (2023-07-26T13:24:01Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• 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)
• 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)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• HydroNets: Leveraging River Structure for Hydrologic Modeling [0.0]
  HydroNetsは、特定の降雨流出信号と上流ネットワークダイナミクスの両方を活用するために設計されたディープニューラルネットワークモデルである。 川構造の事前知識の注入は、サンプルの複雑さを減らし、スケーラブルでより正確な水理モデリングを可能にする。 インドにおける2つの大きな盆地に関する実証的研究を行い、提案モデルとその利点を確実に支持する。
  論文  参考訳（メタデータ） (2020-07-01T16:32:07Z)

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。