論文の概要: A Novel Data-driven Numerical Method for Hydrological Modeling of Water Infiltration in Porous Media
- arxiv url: http://arxiv.org/abs/2310.02806v2
- Date: Sat, 17 Aug 2024 16:07:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-21 04:16:54.725823
- Title: A Novel Data-driven Numerical Method for Hydrological Modeling of Water Infiltration in Porous Media
- Title（参考訳）: 多孔質媒質中の水浸透の流体モデルのためのデータ駆動型新しい数値計算法
- Authors: Zeyuan Song, Zheyu Jiang,
- Abstract要約: 根圏土壌の水分モニタリングはセンサによるスマート灌水と農業干ばつ防止に不可欠である。
本稿ではDRW(Data-driven Global Random Walk)アルゴリズムという新しいデータ駆動アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 0.4028503203417233
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Root-zone soil moisture monitoring is essential for sensor-based smart irrigation and agricultural drought prevention. Modeling the spatiotemporal water flow dynamics in porous media such as soil is typically achieved by solving an agro-hydrological model, the most important of which being the Richards equation. In this paper, we present a novel data-driven solution algorithm named the DRW (Data-driven global Random Walk) algorithm, which holistically integrates adaptive linearization scheme, neural networks, and global random walk in a finite volume discretization framework. We discuss the need and benefits of introducing these components to achieve synergistic improvements in solution accuracy and numerical stability. We show that the DRW algorithm can accurately solve $n$-dimensional Richards equation with guaranteed convergence under reasonable assumptions. Through examples, we also demonstrate that the DRW algorithm can better preserve the underlying physics and mass conservation of the Richards equation compared to state-of-the-art solution algorithms and commercial solver.
- Abstract（参考訳）: 根圏土壌の水分モニタリングはセンサによるスマート灌水と農業干ばつ防止に不可欠である。
土壌のような多孔質媒質における時空間水流のダイナミクスのモデル化は、典型的には、リチャーズ方程式であるアグロ-水理モデル(英語版)を解くことによって達成される。
本稿では,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有限体積離散化フレームワークで一意に統合したDRW(Data-driven Global Random Walk)アルゴリズムを提案する。
本稿では,解の精度と数値安定性の相乗的改善を実現するために,これらのコンポーネントを導入する必要性とメリットについて論じる。
DRWアルゴリズムは、合理的な仮定の下で収束を保証することで、$n$次元リチャーズ方程式を正確に解くことができることを示す。
実例を通して、DRWアルゴリズムは、最先端の解法アルゴリズムや商用解法と比較して、リチャーズ方程式の基礎となる物理と質量保存をよりよく保存できることを示した。
関連論文リスト
- Towards Better Statistical Understanding of Watermarking LLMs [7.68488211412916]
本稿では,大規模言語モデル(LLM)の透かし問題について検討する。
モデル歪みと検出能力のトレードオフと,Kirchenbauer et alのグリーンレッドリストに基づく制約付き最適化問題とみなす。
本稿では,この最適化定式化を考慮したオンライン二重勾配上昇透かしアルゴリズムを開発し,モデル歪みと検出能力の最適性を示す。
論文 参考訳（メタデータ） (2024-03-19T01:57:09Z) - 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。