論文の概要: Physics-informed neural networks for parameter learning of wildfire spreading
- arxiv url: http://arxiv.org/abs/2406.14591v1
- Date: Thu, 20 Jun 2024 10:21:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-24 18:37:49.058392
- Title: Physics-informed neural networks for parameter learning of wildfire spreading
- Title（参考訳）: 物理インフォームドニューラルネットワークによる山火事拡散のパラメータ学習
- Authors: Konstantinos Vogiatzoglou, Costas Papadimitriou, Vasilis Bontozoglou, Konstantinos Ampountolas,
- Abstract要約: この研究は、解釈可能な山火事拡散モデルの未知のパラメータを学習するための物理インフォームドニューラルネットワーク(PiNN)を導入している。
提案するフレームワークは、インテリジェントな山火事管理とリスクアセスメントのための物理インフォームドデジタルツインに組み込まれることが想定されている。
- 参考スコア（独自算出の注目度）: 2.8686437689115354
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wildland fires pose terrifying natural hazards, underscoring the urgent need to develop data-driven and physics-informed digital twins for wildfire prevention, monitoring, intervention, and response. In this direction of research, this work introduces a physics-informed neural network (PiNN) to learn the unknown parameters of an interpretable wildfire spreading model. The considered wildfire spreading model integrates fundamental physical laws articulated by key model parameters, essential for capturing the complex behavior of wildfires. The proposed machine learning approach leverages the theory of artificial neural networks with the physical constraints governing wildfire dynamics, such as the first principles of mass and energy conservation. Training of the PiNN for physics-informed parameter identification is realized using data of the temporal evolution of one- and two-dimensional (plane surface) fire fronts that have been obtained from a high-fidelity simulator of the wildfire spreading model under consideration. The parameter learning results demonstrate the remarkable predictive ability of the proposed PiNN in uncovering the unknown coefficients in both the one- and two-dimensional fire spreading scenarios. Additionally, this methodology exhibits robustness by identifying the same parameters in the presence of noisy data. The proposed framework is envisioned to be incorporated in a physics-informed digital twin for intelligent wildfire management and risk assessment.
- Abstract（参考訳）: 野生の火災は、自然の危険を脅かし、山火事の予防、監視、介入、および対応のために、データ駆動型で物理学にインフォームドされたデジタル双生児を開発する緊急の必要性を浮き彫りにしている。
この研究の方向性として、解釈可能な山火事拡散モデルの未知のパラメータを学習する物理インフォームドニューラルネットワーク(PiNN)を導入する。
検討された山火事拡散モデルでは、重要なモデルパラメータによって記述された基本的な物理法則が統合され、山火事の複雑な挙動を捉えるのに不可欠である。
提案した機械学習アプローチは、質量保存とエネルギー保存の第一原理のような、山火事のダイナミクスを規定する物理的制約を持つ人工ニューラルネットワークの理論を活用する。
物理インフォームドパラメータ同定のためのPiNNのトレーニングは,山火事拡散モデルの高忠実度シミュレータから得られた1次元および2次元(平面面)火災フロントの時間的変化のデータを用いて実現される。
パラメータ学習の結果は, 1次元および2次元の火災拡散シナリオにおいて, 未知の係数を明らかにする上で, 提案したPiNNの顕著な予測能力を示した。
さらに、この手法はノイズの多いデータの存在下で同じパラメータを識別することで堅牢性を示す。
提案するフレームワークは、インテリジェントな山火事管理とリスクアセスメントのための物理インフォームドデジタルツインに組み込まれることが想定されている。
関連論文リスト
- Data-Driven Fire Modeling: Learning First Arrival Times and Model Parameters with Neural Networks [12.416949154231714]
火災科学における力学をパラメータ化するニューラルネットワークの能力について検討する。
特に,火災時の5つの重要なパラメータを最初の到着時刻までマッピングするニューラルネットワークについて検討する。
逆問題に対して、各キーパラメータを推定する際のネットワークの感度を定量化する。
論文 参考訳（メタデータ） (2024-08-16T19:54:41Z) - Explainable AI Integrated Feature Engineering for Wildfire Prediction [1.7934287771173114]
本研究では,山火事の予測に関係した分類・回帰作業について,各種機械学習アルゴリズムの徹底的な評価を行った。
様々な種類の山火事を分類するために、XGBoostモデルは正確さと堅牢性で他よりも優れていた。
ランダムフォレスト回帰モデルでは、山火事の影響範囲を予測する上で、優れた結果が得られた。
論文 参考訳（メタデータ） (2024-04-01T21:12:44Z) - 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) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Bayesian Physics Informed Neural Networks for Data Assimilation and
Spatio-Temporal Modelling of Wildfires [11.00425904688764]
我々は、レベルセット関数のゼロレベルセットを通してファイアフロントをモデル化する偏微分方程式であるレベルセット方程式を、PINNを用いて解く。
負荷変数が極端に変化した場合、一般的なコスト関数は、モデル化されたファイアフロントにおける時間的連続性を維持できないことを示す。
我々は, PINN内のデータ同化を行う手法を開発し, モデル化されたPIN予測を火災前兆の観測に向ける。
論文 参考訳（メタデータ） (2022-12-02T05:00:41Z) - Recurrent Convolutional Deep Neural Networks for Modeling Time-Resolved
Wildfire Spread Behavior [0.0]
高忠実度モデルはリアルタイムの火災応答に使用するには計算コストがかかりすぎる。
低忠実度モデルは、経験的測定を統合することで、いくつかの物理的精度と一般化性を犠牲にしている。
機械学習技術は、第一原理物理学を学習することで、これらの目的を橋渡しする能力を提供する。
論文 参考訳（メタデータ） (2022-10-28T21:23:03Z) - Physically Explainable CNN for SAR Image Classification [59.63879146724284]
本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。
提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。
実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
論文 参考訳（メタデータ） (2021-10-27T03:30:18Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳（メタデータ） (2020-12-17T15:19:29Z) - Convolutional LSTM Neural Networks for Modeling Wildland Fire Dynamics [0.0]
森林火災伝播のダイナミクスをモデル化するために,畳み込み長短期記憶リカレントニューラルネットワークの有効性を評価する。
その結果,convlstmsは局所的な火災伝達イベントを捕捉できるだけでなく,火の拡散率など全体の火災動態を把握できることがわかった。
論文 参考訳（メタデータ） (2020-12-11T23:31:43Z) - Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。
アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
論文 参考訳（メタデータ） (2020-05-08T16:15:47Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z)
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。