論文の概要: Machine Learning for enhancing Wind Field Resolution in Complex Terrain

• arxiv url: http://arxiv.org/abs/2309.10172v1
• Date: Mon, 18 Sep 2023 21:41:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-20 17:15:39.109084
• Title: Machine Learning for enhancing Wind Field Resolution in Complex Terrain
• Title（参考訳）: 複雑な地形における風力分解能向上のための機械学習
• Authors: Jacob Wulff Wold and Florian Stadtmann and Adil Rasheed and Mandar Tabib and Omer San and Jan-Tore Horn
• Abstract要約: ニューラルネットワークを用いたモデルでは、局所的な地形を尊重しながら、粗いスケールから完全に解決された3次元速度場を再構築できることが示される。 また、ドメイン知識に基づく適切なコスト関数を用いることで、敵のトレーニングの使用を軽減できることを示す。
• 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: Atmospheric flows are governed by a broad variety of spatio-temporal scales, thus making real-time numerical modeling of such turbulent flows in complex terrain at high resolution computationally intractable. In this study, we demonstrate a neural network approach motivated by Enhanced Super-Resolution Generative Adversarial Networks to upscale low-resolution wind fields to generate high-resolution wind fields in an actual wind farm in Bessaker, Norway. The neural network-based model is shown to successfully reconstruct fully resolved 3D velocity fields from a coarser scale while respecting the local terrain and that it easily outperforms trilinear interpolation. We also demonstrate that by using appropriate cost function based on domain knowledge, we can alleviate the use of adversarial training.
• Abstract（参考訳）: 大気流は多種多様な時空間スケールで制御されており、複雑な地形における乱流のリアルタイムな数値モデリングを高精度に行うことができる。 本研究では,ノルウェーのベセーカー(Bessaker)にある実際の風力発電所において,高分解能風力発生のための高分解能風力場を実現するために,高分解能生成適応型ニューラルネットワークによるニューラルネットワークアプローチを実証した。 ニューラルネットワークに基づくモデルは,局所的な地形を尊重しながら,より粗いスケールから完全解決された3次元速度場を再現し,三角補間よりも容易に優れることを示した。 また、ドメイン知識に基づく適切なコスト関数を使用することで、敵のトレーニングの使用を軽減できることを示す。

関連論文リスト

• Magnituder Layers for Implicit Neural Representations in 3D [23.135779936528333]
  我々は、"magnituder"と呼ばれる新しいニューラルネットワーク層を導入する。 標準フィードフォワード層にマグニチュードを組み込むことで、推論速度と適応性を向上する。 我々のアプローチは、訓練された暗黙的ニューラル表現モデルにおいてゼロショットのパフォーマンス向上を可能にする。
  論文  参考訳（メタデータ） (2024-10-13T08:06:41Z)
• Interpolation-Free Deep Learning for Meteorological Downscaling on Unaligned Grids Across Multiple Domains with Application to Wind Power [0.0]
  風力発電は加速し、その効率性を確保するためには信頼性の高い風力確率予測が不可欠である。 数値風速予測モデルは計算に費用がかかるため、全てのメソスケール風速を捉えるには大きすぎる解像度で確率予測が生成される。 統計的ダウンスケーリングは、低分解能(LR)変数から高分解能(HR)気象変数への写像を学習することで、計算コストの低い実行可能な解を提供する。
  論文  参考訳（メタデータ） (2024-10-04T22:04:40Z)
• A 3D super-resolution of wind fields via physics-informed pixel-wise self-attention generative adversarial network [0.01649298969786889]
  高解像度の風場を解く際の計算の複雑さは、異なる時間の長さとモデル構成をテストするのに実用的でないシミュレーションを残した。 本研究では,物理インフォームド・スーパーレゾリューション(SR)生成対向ネットワーク(GAN)の予備開発について述べる。 GANは3次元(3D)低分解能風力場をx9倍のアップスケールで超解する。
  論文  参考訳（メタデータ） (2023-12-20T17:28:21Z)
• VoxNeRF: Bridging Voxel Representation and Neural Radiance Fields for Enhanced Indoor View Synthesis [51.49008959209671]
  本稿では,室内ビュー合成の品質と効率を高めるために,ボリューム表現を活用する新しいアプローチであるVoxNeRFを紹介する。 我々は,空間的特徴を適応的に捉えるためにマルチレゾリューション・ハッシュ・グリッドを使用し,室内シーンの閉塞や複雑な形状を効果的に管理する。 我々は,3つの屋内データセットに対するアプローチを検証するとともに,VoxNeRFが最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-09T11:32:49Z)
• ResFields: Residual Neural Fields for Spatiotemporal Signals [61.44420761752655]
  ResFieldsは、複雑な時間的信号を効果的に表現するために設計された新しいネットワークのクラスである。 本稿では,ResFieldの特性を包括的に解析し,トレーニング可能なパラメータの数を減らすための行列分解手法を提案する。 スパースRGBDカメラからダイナミックな3Dシーンをキャプチャする効果を示すことで,ResFieldsの実用性を実証する。
  論文  参考訳（メタデータ） (2023-09-06T16:59:36Z)
• Neural Poisson Surface Reconstruction: Resolution-Agnostic Shape Reconstruction from Point Clouds [53.02191521770926]
  我々は,3次元形状を点から復元するという課題に対処する形状再構成アーキテクチャであるニューラルポアソン表面再構成(nPSR)を導入する。 nPSRには2つの大きな利点がある: まず、高分解能評価において同等の性能を達成しつつ、低分解能データの効率的なトレーニングを可能にする。 全体として、ニューラル・ポアソン表面の再構成は、形状再構成における古典的なディープニューラルネットワークの限界を改良するだけでなく、再構築品質、走行時間、分解能非依存の観点からも優れた結果が得られる。
  論文  参考訳（メタデータ） (2023-08-03T13:56:07Z)
• From NeurODEs to AutoencODEs: a mean-field control framework for width-varying Neural Networks [68.8204255655161]
  本稿では,動的に駆動する制御フィールドをベースとした,AutoencODEと呼ばれる新しいタイプの連続時間制御システムを提案する。 損失関数が局所凸な領域では,多くのアーキテクチャが復元可能であることを示す。
  論文  参考訳（メタデータ） (2023-07-05T13:26:17Z)
• Grid-guided Neural Radiance Fields for Large Urban Scenes [146.06368329445857]
  近年のアプローチでは、シーンを地理的に分割し、複数のサブNeRFを採用して各領域を個別にモデル化する手法が提案されている。 もう一つの解決策は、計算効率が良く、大きなシーンに自然にスケールできる機能グリッド表現を使用することである。 本稿では,大規模都市における高忠実度レンダリングを実現し,計算効率を向上する枠組みを提案する。
  論文  参考訳（メタデータ） (2023-03-24T13:56:45Z)
• A Concurrent CNN-RNN Approach for Multi-Step Wind Power Forecasting [0.0]
  風力予測は、意思決定において高い確実性を持つことによって、電力システムの計画を支援する。 この課題を解決するための1つのアプローチは、地理的グリッドを横断する複数の地点からの気象情報を利用して、風力発電所の以前の出力からの時間情報とともに、風のパターンの全体像を得ることである。 提案したCNN-RNNアーキテクチャは,畳み込みニューラルネットワーク(CNN)と繰り返しニューラルネットワーク(RNN)を組み合わせて,多次元入力データから空間的および時間的情報を抽出し,日々の予測を行う。
  論文  参考訳（メタデータ） (2023-01-02T15:31:16Z)
• End-to-end Wind Turbine Wake Modelling with Deep Graph Representation Learning [7.850747042819504]
  本研究は,グラフニューラルネットワークと呼ばれるグラフ表現学習法に基づいて,風力タービンウェイクの表現のための代理モデルを提案する。 提案するエンドツーエンドディープラーニングモデルは、非構造化メッシュ上で直接動作し、高忠実度データに対して検証されている。 実世界の風力発電所に基づくケーススタディでは,提案手法による大規模発電予測の可能性をさらに実証する。
  論文  参考訳（メタデータ） (2022-11-24T15:00:06Z)
• MVSNeRF: Fast Generalizable Radiance Field Reconstruction from Multi-View Stereo [52.329580781898116]
  MVSNeRFは、ビュー合成のための神経放射場を効率的に再構築できる新しいニューラルレンダリング手法である。 高密度にキャプチャされた画像に対して,シーン毎の最適化を考慮に入れたニューラルネットワークの先行研究とは異なり,高速ネットワーク推論により,近傍の3つの入力ビューのみからラミアンスフィールドを再構成できる汎用ディープニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-03-29T13:15:23Z)

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。