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
- Closure Discovery for Coarse-Grained Partial Differential Equations
using Multi-Agent Reinforcement Learning [3.3280369321291756]
気象・山火事・疫病は、しばしば部分微分方程式(PDE)に基づく。
MARL(Multi-Agent Reinforcement Learning)を用いた未解決PDEにおけるクロージャの同定のための新しい体系的アプローチを提案する。
MARLは帰納バイアスを導入し、畳み込みニューラルネットワーク(CNN)で表される中央ポリシーを効果的に展開することで局所性を活用する
論文 参考訳(メタデータ) (2024-02-01T19:41:04Z) - Approximation of Solution Operators for High-dimensional PDEs [2.3076986663832044]
進化的偏微分方程式の解演算子を近似する有限次元制御法を提案する。
結果は、ハミルトン・ヤコビ・ベルマン方程式を解くための実世界の応用を含む、いくつかの高次元PDEに対して提示される。
論文 参考訳(メタデータ) (2024-01-18T21:45:09Z) - Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。
画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
論文 参考訳(メタデータ) (2023-11-02T02:05:38Z) - 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) - Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳(メタデータ) (2023-02-14T23:50:53Z) - 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) - 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) - An application of the splitting-up method for the computation of a
neural network representation for the solution for the filtering equations [68.8204255655161]
フィルタ方程式は、数値天気予報、金融、工学など、多くの現実の応用において中心的な役割を果たす。
フィルタリング方程式の解を近似する古典的なアプローチの1つは、分割法と呼ばれるPDEにインスパイアされた方法を使うことである。
我々はこの手法をニューラルネットワーク表現と組み合わせて、信号プロセスの非正規化条件分布の近似を生成する。
論文 参考訳(メタデータ) (2022-01-10T11:01:36Z) - 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) - A Probabilistic State Space Model for Joint Inference from Differential
Equations and Data [23.449725313605835]
ベイズフィルタを用いて解過程を直接句する常微分方程式 (odes) の解法の新しいクラスを示す。
その後、拡張カルマンフィルタの単一の線形複雑化パスにおいて、潜力とODE溶液のベイズ推定を近似することができるようになる。
本研究では,covid-19流行データに基づく非パラメトリックsirdモデルを訓練することにより,アルゴリズムの表現力と性能を示す。
論文 参考訳(メタデータ) (2021-03-18T10:36:09Z) - 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。