論文の概要: A Data-facilitated Numerical Method for Richards Equation to Model Water Flow Dynamics in Soil

• arxiv url: http://arxiv.org/abs/2310.02806v1
• Date: Wed, 4 Oct 2023 13:33:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 15:00:50.015448
• Title: A Data-facilitated Numerical Method for Richards Equation to Model Water Flow Dynamics in Soil
• Title（参考訳）: 土壌中の水流動態をモデル化するリチャーズ方程式の数値計算法
• Authors: Zeyuan Song and Zheyu Jiang
• Abstract要約: 根圏土壌の水分モニタリングは農業、スマート灌水、干ばつ防止に不可欠である。 混合形式-リチャーズ方程式を解くための新しいデータテンポラル数値法を提案する。
• 参考スコア（独自算出の注目度）: 0.4759142872591625
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Root-zone soil moisture monitoring is essential for precision agriculture, smart irrigation, and drought prevention. Modeling the spatiotemporal water flow dynamics in soil is typically achieved by solving a hydrological model, such as the Richards equation which is a highly nonlinear partial differential equation (PDE). In this paper, we present a novel data-facilitated numerical method for solving the mixed-form Richards equation. This numerical method, which we call the D-GRW (Data-facilitated global Random Walk) method, synergistically integrates adaptive linearization scheme, neural networks, and global random walk in a finite volume discretization framework to produce accurate numerical solutions of the Richards equation with guaranteed convergence under reasonable assumptions. Through three illustrative examples, we demonstrate and discuss the superior accuracy and mass conservation performance of our D-GRW method and compare it with benchmark numerical methods and commercial solver.
• Abstract（参考訳）: 根圏土壌の水分モニタリングは、精密農業、スマート灌水、干ばつ防止に不可欠である。 土壌中の時空間水流動態のモデル化は、高非線形偏微分方程式(PDE)であるリチャーズ方程式(英語版)(Richards equation)のような水文モデルの解法によって達成される。 本稿では,混合形式リヒャルツ方程式を解くための新しい数値計算法を提案する。 D-GRW(Data-facilitated Global Random Walk)法と呼ばれるこの数値法は、有限体積離散化フレームワークにおいて、適応線形化スキーム、ニューラルネットワーク、大域ランダムウォークを相乗的に統合し、合理的な仮定で収束を保証するリチャーズ方程式の正確な数値解を生成する。 3つの例を通して, d-grw法の精度と質量保存性能を実証・検討し, ベンチマーク数値解法と商用解法との比較を行った。

関連論文リスト

• Scientific Machine Learning of Flow Resistance Using Universal Shallow Water Equations with Differentiable Programming [5.061700088495018]
  我々はハイブリッド流体力学モデリングのための普遍的なSWE解法であるHydrogradを開発した。 正確に前方シミュレーションを行い、自動微分をサポートし、物理発見のための科学的機械学習を実行することができる。
  論文  参考訳（メタデータ） (2025-02-18T00:07:14Z)
• Flow-based Distributionally Robust Optimization [23.232731771848883]
  We present a framework, called $textttFlowDRO$, for solve flow-based distributionally robust optimization (DRO) problem with Wasserstein uncertainty set。 我々は、連続した最悪のケース分布(Last Favorable Distribution, LFD)とそれからのサンプルを見つけることを目指している。 本稿では、逆学習、分布論的に堅牢な仮説テスト、およびデータ駆動型分布摂動差分プライバシーの新しいメカニズムを実証する。
  論文  参考訳（メタデータ） (2023-10-30T03:53:31Z)
• An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
  本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。 新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。 導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Attention U-Net as a surrogate model for groundwater prediction [13.029731605492252]
  本研究では,地下水系の応答を計算するための代理モデルとして,物理に基づく畳み込みエンコーダ・デコーダニューラルネットワークを提案する。 クロスドメインマッピングにおいて強い確約を持つエンコーダ・デコーダネットワークは、物理システムの複雑な入出力マッピングの学習に適用可能である。
  論文  参考訳（メタデータ） (2022-04-09T17:46:24Z)
• Super-resolution GANs of randomly-seeded fields [68.8204255655161]
  ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。 このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。 提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
  論文  参考訳（メタデータ） (2022-02-23T18:57:53Z)
• Message Passing Neural PDE Solvers [60.77761603258397]
  我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。 本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。 本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
  論文  参考訳（メタデータ） (2022-02-07T17:47:46Z)
• Learning the structure of wind: A data-driven nonlocal turbulence model for the atmospheric boundary layer [0.0]
  我々は,大気境界層をモデル化するための新しいデータ駆動手法を開発した。 このアプローチは、非局所的、異方性合成乱流モデルに導かれ、我々は、ディープ・ラピッド・ラピッド・歪み(DRD)モデルと呼ぶ。
  論文  参考訳（メタデータ） (2021-07-23T06:41:33Z)
• Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
  本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:38:51Z)
• Robust Reinforcement Learning with Wasserstein Constraint [49.86490922809473]
  最適なロバストなポリシーの存在を示し、摂動に対する感度分析を行い、新しいロバストな学習アルゴリズムを設計する。 提案アルゴリズムの有効性はCart-Pole環境で検証する。
  論文  参考訳（メタデータ） (2020-06-01T13:48:59Z)
• A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
  学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。 フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。 既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
  論文  参考訳（メタデータ） (2019-10-31T02:26:20Z)

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。