論文の概要: Analysis, forecasting and system identification of a floating offshore wind turbine using dynamic mode decomposition
- arxiv url: http://arxiv.org/abs/2411.07263v2
- Date: Sun, 16 Feb 2025 23:33:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-18 14:03:12.890747
- Title: Analysis, forecasting and system identification of a floating offshore wind turbine using dynamic mode decomposition
- Title(参考訳): 動的モード分解を用いた水上風力タービンの解析・予測・システム同定
- Authors: Giorgio Palma, Andrea Bardazzi, Alessia Lucarelli, Chiara Pilloton, Andrea Serani, Claudio Lugni, Matteo Diez,
- Abstract要約: 本稿では, 動的モード分解(DMD)を応用したヘキサフロート浮揚風力タービンの動特性の, データ駆動式フリーモデリングについて述べる。
そこで,DMD は,システム同定と秩序の低減のために,システム状態の即時的知識から短期的な予測を行うために,i) 動的システムから知識を抽出するために,i) モーダル解析(ii) を用いている。
結果は、短期予測とシステム同定のためのアプローチの能力を示し、リアルタイム連続学習デジタルツインニングの可能性を示し、データ駆動型縮小順序モデリングを代理する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: This article presents the data-driven equation-free modeling of the dynamics of a hexafloat floating offshore wind turbine based on the application of dynamic mode decomposition (DMD). All the analyses are performed on experimental data collected from an operating prototype. The DMD has here used i) to extract knowledge from the dynamic system through its modal analysis, ii) for short-term forecasting from the knowledge of the immediate past of the system state, and iii) for the system identification and reduced order modeling. The forecasting method for the motions, accelerations, and forces acting on the floating system is developed using Hankel-DMD, a methodological extension that includes time-delayed copies of the states in an augmented state vector. The system identification task is performed by applying Hankel-DMD with control (Hankel-DMDc), which models the system including the effect of forcing terms. The influence of the main hyperparameters of the methods, namely the number of delayed copies in the state and input vector and the length of the observation time, is investigated with a full factorial analysis using three error metrics analyzing complementary aspects of the prediction: the normalized root mean square error, the normalized average minimum-maximum absolute error, and the Jensen-Shannon divergence. A Bayesian extension of the Hankel-DMD and Hankel-DMDc is introduced by considering the hyperparameters as stochastic variables varying in suitable ranges defined after the full factorial analysis, enriching the predictions with uncertainty quantification. Results show the capability of the approaches for short-term forecasting and system identification, suggesting their potential for real-time continuously-learning digital twinning and surrogate data-driven reduced order modeling.
- Abstract(参考訳): 本稿では, 動的モード分解(DMD)の適用に基づき, ヘキサフロート浮揚風力タービンの動力学をデータ駆動式でモデル化する。
全ての分析は、実験プロトタイプから収集した実験データに基づいて行われる。
DMDはここで使用しました
一 力学系からその様相解析を通じて知識を抽出すること。
二 システム状態の即時過去の知識から短期的な予測をすること。
三 システム識別及び注文モデリングの縮小
拡張状態ベクトルにおける状態の時間遅延コピーを含む方法論拡張であるHankel-DMDを用いて, 浮遊系に作用する動き, 加速度, 力の予測方法を開発した。
システム識別タスクは、強制項の効果を含むシステムをモデル化した制御付きハンケルDMD(Hankel-DMDc)を適用する。
提案手法の主パラメータ,すなわち状態と入力ベクトルにおける遅延コピー数および観測時間の長さの影響を,正規化根平均二乗誤差,正規化平均最小絶対誤差,ジェンセン・シャノン偏差の3つの相補的側面を解析し,完全な因子分析により検討した。
Hankel-DMDとHankel-DMDcのベイズ拡張は、ハイパーパラメータを完全な因子分析後に定義された適切な範囲で変化する確率変数として考慮し、不確実な定量化を伴う予測を豊かにする。
結果は,短期予測とシステム同定のためのアプローチの可能性を示し,リアルタイム連続学習型ディジタルツインニングの可能性を示し,データ駆動型リダクションモデルを提案する。
関連論文リスト
- MultiPDENet: PDE-embedded Learning with Multi-time-stepping for Accelerated Flow Simulation [48.41289705783405]
マルチスケールタイムステップ(MultiPDENet)を用いたPDE組み込みネットワークを提案する。
特に,有限差分構造に基づく畳み込みフィルタを少数のパラメータで設計し,最適化する。
4階ランゲ・クッタ積分器を微細な時間スケールで備えた物理ブロックが確立され、PDEの構造を埋め込んで予測を導出する。
論文 参考訳(メタデータ) (2025-01-27T12:15:51Z) - Estimation of System Parameters Including Repeated Cross-Sectional Data through Emulator-Informed Deep Generative Model [5.3060535072023844]
政治、経済学、生物学において、利用可能なデータは、しばしば異なる主題から異なる時点に独立して収集される。
従来の最適化手法は、RCSデータが様々な不均一性を示すとき、DECパラメータを正確に推定するのに苦労する。
エミュレータインフォームド・ディープジェネレーション・モデル(EIDGM)と呼ばれる新しい推定法を提案する。
EIDGMは物理インフォームドニューラルネットワークベースのエミュレータを統合しており、DECソリューションとワッサーシュタイン生成逆ネットワークベースのパラメータジェネレータを即座に生成する。
論文 参考訳(メタデータ) (2024-12-27T08:19:23Z) - 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) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳(メタデータ) (2021-11-15T09:08:27Z) - Decadal Forecasts with ResDMD: a Residual DMD Neural Network [0.0]
運用予測センターは、より気候に耐性のある社会のための長期的な意思決定を支援するために、デカダル(1-10年)予測システムに投資している。
以前は動的モード分解 (Dynamic Mode Decomposition, DMD) アルゴリズムが用いられていた。
本稿では,非線形項をニューラルネットワークとして明示的に表現するDMDの拡張について検討する。
論文 参考訳(メタデータ) (2021-06-21T13:49:43Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳(メタデータ) (2021-04-28T22:14:25Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z) - Deep Switching Auto-Regressive Factorization:Application to Time Series
Forecasting [16.934920617960085]
DSARFは、時間依存重みと空間依存因子の間の積変数による高次元データを近似する。
DSARFは、深い切替ベクトル自己回帰因子化の観点から重みをパラメータ化するという最先端技術とは異なる。
本実験は, 最先端手法と比較して, DSARFの長期的, 短期的予測誤差において優れた性能を示すものである。
論文 参考訳(メタデータ) (2020-09-10T20:15:59Z) - DEFM: Delay E mbedding based Forecast Machine for Time Series Forecasting by Spatiotemporal Information Transformation [27.196988830046756]
Delay-Embedding-based Forecast Machine (DEFM) は,高次元観測に基づいて,対象変数の将来値を予測する。
DEFMはディープニューラルネットワークを使用して、観測された時系列から空間的および時間的関連情報を効果的に抽出する。
DEFMは、ターゲット変数の遅延埋め込みを通じてパラメータを変換することで、将来のパラメータを正確に予測することができる。
論文 参考訳(メタデータ) (2020-05-16T01:48:33Z)
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。