論文の概要: Sea wave data reconstruction using micro-seismic measurements and machine learning methods

• arxiv url: http://arxiv.org/abs/2401.04431v1
• Date: Tue, 9 Jan 2024 08:52:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-10 16:21:11.617731
• Title: Sea wave data reconstruction using micro-seismic measurements and machine learning methods
• Title（参考訳）: 微小地震計測と機械学習による海波データ再構成
• Authors: Lorenzo Iafolla, Emiliano Fiorenza, Massimo Chiappini, Cosmo Carmisciano, Valerio Antonio Iafolla
• Abstract要約: 本研究では,ブイ,マイクロ地震観測ステーション,機械学習アルゴリズムなどのシステムを提案する。 作業原理は、波によって生じる微小地震信号を測定することに基づいている。 本研究では,データ処理,機械学習アルゴリズムの開発と訓練,再構築精度の評価を行う手法を提案する。
• 参考スコア（独自算出の注目度）: 1.4061979259370274
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sea wave monitoring is key in many applications in oceanography such as the validation of weather and wave models. Conventional in situ solutions are based on moored buoys whose measurements are often recognized as a standard. However, being exposed to a harsh environment, they are not reliable, need frequent maintenance, and the datasets feature many gaps. To overcome the previous limitations, we propose a system including a buoy, a micro-seismic measuring station, and a machine learning algorithm. The working principle is based on measuring the micro-seismic signals generated by the sea waves. Thus, the machine learning algorithm will be trained to reconstruct the missing buoy data from the micro-seismic data. As the micro-seismic station can be installed indoor, it assures high reliability while the machine learning algorithm provides accurate reconstruction of the missing buoy data. In this work, we present the methods to process the data, develop and train the machine learning algorithm, and assess the reconstruction accuracy. As a case of study, we used experimental data collected in 2014 from the Northern Tyrrhenian Sea demonstrating that the data reconstruction can be done both for significant wave height and wave period. The proposed approach was inspired from Data Science, whose methods were the foundation for the new solutions presented in this work. For example, estimating the period of the sea waves, often not discussed in previous works, was relatively simple with machine learning. In conclusion, the experimental results demonstrated that the new system can overcome the reliability issues of the buoy keeping the same accuracy.
• Abstract（参考訳）: 海波モニタリングは、気象モデルや波動モデルの検証など、海洋学における多くの応用において重要である。 従来のin situソリューションは、しばしば標準として認識されるムーアブイに基づいている。 しかし、厳しい環境にさらされているため、信頼性がなく、頻繁にメンテナンスが必要で、データセットには多くのギャップがある。 これまでの制限を克服するため,ブイ,マイクロ地震観測ステーション,機械学習アルゴリズムなどのシステムを提案する。 作業原理は,波浪によって発生する微小地震信号の測定に基づいている。 そのため、機械学習アルゴリズムは、微細地震データから欠落したブイデータを再構築するために訓練される。 マイクロサイスミックステーションを屋内に設置できるため、機械学習アルゴリズムが行方不明のブイデータの正確な再構成を提供する一方で、高い信頼性が保証される。 本研究では,データを処理し,機械学習アルゴリズムを開発し,学習し,再構成精度を評価する手法を提案する。 調査では,2014年に北チレニア海から採取した実験データを用いて,波高と波高の両面でデータ再構成が可能であることを示した。 このアプローチは、この研究で提示された新しいソリューションの基礎となる手法であるデータサイエンスから着想を得たものだ。 例えば、前回の研究では議論されなかった海波の周期の推定は、機械学習では比較的単純だった。 その結果, 新システムはブイの信頼性の問題を克服し, 精度が同じであることを実証した。

関連論文リスト

• Zero-Shot Self-Consistency Learning for Seismic Irregular Spatial Sampling Reconstruction [6.313946204460284]
  本稿では,ゼロショットの自己整合性学習戦略を提案し,地震データ再構成に極めて軽量なネットワークを用いる。 提案手法は追加のデータセットを必要とせず,データの各部分間の相関を利用して自己整合学習損失関数を設計する。
  論文  参考訳（メタデータ） (2024-11-01T11:59:28Z)
• RECOVAR: Representation Covariances on Deep Latent Spaces for Seismic Event Detection [0.0]
  生波形から地震を検出することを学習する地震検出の教師なし手法を開発した。 パフォーマンスは、いくつかの最先端の教師付きメソッドと同等であり、場合によっては同等である。 このアプローチは、他のドメインからの時系列データセットに有用である可能性がある。
  論文  参考訳（メタデータ） (2024-07-25T21:33:54Z)
• Continual Learning of Range-Dependent Transmission Loss for Underwater Acoustic using Conditional Convolutional Neural Net [0.0]
  本研究では,遠方界シナリオにおける水中放射音予測のための深層学習モデルの精度向上を目的としている。 そこで本稿では,海洋浴量測定データを入力に組み込んだ新しいレンジ条件畳み込みニューラルネットワークを提案する。 提案アーキテクチャは, 帯域依存性の異なる様々な浴量測定プロファイル上での透過損失を効果的に捕捉する。
  論文  参考訳（メタデータ） (2024-04-11T19:13:38Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
  水中音響から風速時系列を検索するための深層学習手法を提案する。 我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
  論文  参考訳（メタデータ） (2022-08-18T15:27:40Z)
• Closing the sim-to-real gap in guided wave damage detection with adversarial training of variational auto-encoders [0.0]
  我々は、信号処理技術が一般的に用いられる損傷検出の第一課題に焦点をあてる。 我々は、波動物理誘導逆数成分を用いたシミュレーションデータのみに基づいて、変分オートエンコーダのアンサンブルを訓練する。 提案手法を既存のディープラーニング検出手法と比較し,実験データ上での優れた性能を観察する。
  論文  参考訳（メタデータ） (2022-01-26T17:36:11Z)
• MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
  欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。 MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。 我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2021-11-04T22:38:18Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Unsupervised machine learning of topological phase transitions from experimental data [52.77024349608834]
  超低温原子からの実験データに教師なし機械学習技術を適用する。 我々は、完全にバイアスのない方法で、ハルダンモデルの位相位相図を得る。 我々の研究は、複雑な多体系における新しいエキゾチック位相の教師なし検出のためのベンチマークを提供する。
  論文  参考訳（メタデータ） (2021-01-14T16:38:21Z)

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。