論文の概要: A Physics-informed machine learning model for time-dependent wave runup
prediction
- arxiv url: http://arxiv.org/abs/2401.08684v1
- Date: Fri, 12 Jan 2024 18:58:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-22 09:41:07.669629
- Title: A Physics-informed machine learning model for time-dependent wave runup
prediction
- Title（参考訳）: 時間依存波浪予測のための物理インフォームド機械学習モデル
- Authors: Saeed Saviz Naeini, Reda Snaiki
- Abstract要約: 物理インフォームド・機械学習に基づく手法を提案し,時系列波の効率的なシミュレートを行った。
条件生成対向ネットワーク(cGAN)を用いて、XBSBからのウェーブランアップの画像表現をXBNHからの対応する画像にマッピングする。
cGANモデルは、XBSBからの物理知識を取り入れることで、画像と画像のマッピングタスクの性能を向上させる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Wave runup is a critical factor affecting coastal flooding, shoreline
changes, and damage to coastal structures. Climate change is also expected to
amplify wave runup's impact on coastal areas. Therefore, fast and accurate wave
runup estimation is essential for effective coastal engineering design and
management. However, predicting the time-dependent wave runup is challenging
due to the intrinsic nonlinearities and non-stationarity of the process, even
with the use of the most advanced machine learning techniques. In this study, a
physics-informed machine learning-based approach is proposed to efficiently and
accurately simulate time-series wave runup. The methodology combines the
computational efficiency of the Surfbeat (XBSB) mode with the accuracy of the
nonhydrostatic (XBNH) mode of the XBeach model. Specifically, a conditional
generative adversarial network (cGAN) is used to map the image representation
of wave runup from XBSB to the corresponding image from XBNH. These images are
generated by first converting wave runup signals into time-frequency scalograms
and then transforming them into image representations. The cGAN model achieves
improved performance in image-to-image mapping tasks by incorporating
physics-based knowledge from XBSB. After training the model, the high-fidelity
XBNH-based scalograms can be predicted, which are then employed to reconstruct
the time-series wave runup using the inverse wavelet transform. The simulation
results underscore the efficiency and robustness of the proposed model in
predicting wave runup, suggesting its potential value for applications in risk
assessment and management.
- Abstract（参考訳）: 波浪は海岸の洪水、海岸線の変化、海岸構造物の損傷に重要な要因である。
気候変動はまた、海岸地域に対する波の流出の影響を増幅すると予想されている。
したがって, 沿岸域の効率的な設計・管理には, 高速かつ正確な波浪予測が不可欠である。
しかし,本質的非線形性と非定常性のため,最も高度な機械学習手法を用いた場合においても,時間依存の波浪の予測は困難である。
本研究では,物理インフォームド機械学習に基づく手法を提案し,時系列波の効率的なシミュレートを行った。
本手法は,surfbeat(xbsb)モードの計算効率と,xbeachモデルの非静水(xbnh)モードの精度を組み合わせたものである。
具体的には、XBSBからのウェーブランアップのイメージ表現をXBNHからの対応する画像にマッピングするために、条件生成逆ネットワーク(cGAN)を用いる。
これらの画像は、まず波巻き上げ信号を時間周波数のスカルグラムに変換し、それから画像表現に変換することで生成される。
cGANモデルは、XBSBからの物理知識を取り入れることで、画像と画像のマッピングタスクの性能を向上させる。
モデルをトレーニングした後、高忠実度xbnhベースのスカルグラムを予測し、逆ウェーブレット変換を用いて時系列波のラアップを再構築する。
シミュレーションの結果,波浪率予測におけるモデルの有効性とロバスト性を評価し,リスク評価・管理への応用の可能性を示した。
関連論文リスト
- MotionWavelet: Human Motion Prediction via Wavelet Manifold Learning [57.078168638373874]
MotionWaveletは、空間周波数領域における人間の動きパターンを研究する人間の動き予測フレームワークである。
ウェーブレット拡散モデルでは、動作データにウェーブレット変換を適用することでウェーブレット多様体を学習する。
ウェーブレット空間形状誘導機構は、デノナイジングプロセスを洗練し、多様体構造との整合性を改善する。
論文 参考訳（メタデータ） (2024-11-25T22:09:19Z) - High Resolution Seismic Waveform Generation using Denoising Diffusion [3.5046784866523932]
本研究では, 高周波波形生成のための新しい, 効率的, スケーラブルな生成モデルを提案する。
地震波形データのスペクトログラム表現を、オートエンコーダを介して低次元のサブ多様体に還元する。
最先端拡散モデルを用いて、キー入力パラメータを条件に、この潜伏表現を生成する。
論文 参考訳（メタデータ） (2024-10-25T07:01:48Z) - Accelerating High-Fidelity Waveform Generation via Adversarial Flow Matching Optimization [37.35829410807451]
本稿では,逆流マッチング最適化による高忠実かつ高効率な波形生成モデルである PeriodWave-Turbo を提案する。
さまざまな客観的メトリクスで最先端のパフォーマンスを達成するには、1,000ステップの微調整しか必要ありません。
PeriodWave のバックボーンを 29M から 70M のパラメータにスケールアップすることで、一般化を改善することで、 PeriodWave-Turbo は前例のない性能を実現している。
論文 参考訳（メタデータ） (2024-08-15T08:34:00Z) - PeriodWave: Multi-Period Flow Matching for High-Fidelity Waveform Generation [37.35829410807451]
そこで我々は,新しい普遍波形生成モデルである PeriodWave を提案する。
波形信号の周期的特徴を把握できる周期的フローマッチング推定器を提案する。
また、周期的バッチ推論によりフィードフォワード並列化が可能な1つの周期条件ユニバーサル推定器を提案する。
論文 参考訳（メタデータ） (2024-08-14T13:36:17Z) - WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
深部画像登録は異常な精度と高速な推測を示した。
近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。
本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
論文 参考訳（メタデータ） (2024-07-18T11:51:01Z) - DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳（メタデータ） (2023-12-12T06:07:21Z) - Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳（メタデータ） (2023-07-20T05:49:21Z) - 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) - Data-driven Full-waveform Inversion Surrogate using Conditional
Generative Adversarial Networks [0.0]
フル波形インバージョン(FWI)速度モデリングは、正確で詳細な速度場モデルを提供する反復的な高度な技術です。
本研究では,複数の入力を持つ条件付き生成逆数ネットワーク(cGAN)を用いて,FWIによって得られた速度場モデルを生成する手法を提案する。
論文 参考訳（メタデータ） (2021-04-30T21:41:24Z) - WaveGrad: Estimating Gradients for Waveform Generation [55.405580817560754]
WaveGradは、データ密度の勾配を推定する波形生成の条件モデルである。
ガウスのホワイトノイズ信号から始まり、メル・スペクトログラムに条件付けされた勾配に基づくサンプリング器を通じて繰り返し信号の精製を行う。
6回の反復で高忠実度音声サンプルを生成できることが判明した。
論文 参考訳（メタデータ） (2020-09-02T17:44:10Z) - Real Time Speech Enhancement in the Waveform Domain [99.02180506016721]
本稿では,ラップトップCPU上でリアルタイムに動作する生波形を用いた因果音声強調モデルを提案する。
提案モデルは、スキップ接続を持つエンコーダデコーダアーキテクチャに基づいている。
静止ノイズや非定常ノイズを含む様々な背景ノイズを除去することができる。
論文 参考訳（メタデータ） (2020-06-23T09:19:13Z)
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。