論文の概要: Adaptive Process-Guided Learning: An Application in Predicting Lake DO Concentrations

• arxiv url: http://arxiv.org/abs/2411.12973v1
• Date: Wed, 20 Nov 2024 01:58:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 16:10:19.108033
• Title: Adaptive Process-Guided Learning: An Application in Predicting Lake DO Concentrations
• Title（参考訳）: 適応型プロセスガイド学習 : DO濃度予測への応用
• Authors: Runlong Yu, Chonghao Qiu, Robert Ladwig, Paul C. Hanson, Yiqun Xie, Yanhua Li, Xiaowei Jia,
• Abstract要約: 本稿では,リカレントニューラルネットワーク(RNN)と物理モデルを統合し,湖沼における溶存酸素濃度の予測を強化するフレームワークを提案する。 我々は米国中西部の広範囲の湖で本手法を試験し,限られた訓練データでもDO濃度を予測できることを実証した。
• 参考スコア（独自算出の注目度）: 18.456223143834105
• License:
• Abstract: This paper introduces a \textit{Process-Guided Learning (Pril)} framework that integrates physical models with recurrent neural networks (RNNs) to enhance the prediction of dissolved oxygen (DO) concentrations in lakes, which is crucial for sustaining water quality and ecosystem health. Unlike traditional RNNs, which may deliver high accuracy but often lack physical consistency and broad applicability, the \textit{Pril} method incorporates differential DO equations for each lake layer, modeling it as a first-order linear solution using a forward Euler scheme with a daily timestep. However, this method is sensitive to numerical instabilities. When drastic fluctuations occur, the numerical integration is neither mass-conservative nor stable. Especially during stratified conditions, exogenous fluxes into each layer cause significant within-day changes in DO concentrations. To address this challenge, we further propose an \textit{Adaptive Process-Guided Learning (April)} model, which dynamically adjusts timesteps from daily to sub-daily intervals with the aim of mitigating the discrepancies caused by variations in entrainment fluxes. \textit{April} uses a generator-discriminator architecture to identify days with significant DO fluctuations and employs a multi-step Euler scheme with sub-daily timesteps to effectively manage these variations. We have tested our methods on a wide range of lakes in the Midwestern USA, and demonstrated robust capability in predicting DO concentrations even with limited training data. While primarily focused on aquatic ecosystems, this approach is broadly applicable to diverse scientific and engineering disciplines that utilize process-based models, such as power engineering, climate science, and biomedicine.
• Abstract（参考訳）: 本稿では, 湖沼における溶存酸素濃度の予測を強化するために, 物理モデルとリカレントニューラルネットワーク(RNN)を統合した<textit{Process-Guided Learning (Pril)}フレームワークを提案する。 従来のRNNとは違い、精度が高く、物理的整合性や広い適用性に欠けることが多いが、 \textit{Pril} 法では湖沼層ごとに微分 DO 方程式を組み込んでおり、これを1次線形解として1日ごとの時間ステップでフォワードオイラースキームを用いてモデル化している。 しかし,この手法は数値不安定性に敏感である。 急激な変動が起こると、数値積分は質量保存的でも安定でもない。 特に成層条件下では, 各層への外因性フラックスはDO濃度の日内変化を著しく引き起こす。 この課題に対処するため,本研究では,日々の時間間隔から日毎の時間経過を動的に調整する「textit{Adaptive Process-Guided Learning ( April)} モデルを提案する。 \textit{ April} は、ジェネレータ-識別器アーキテクチャを用いて、重要なDO変動のある日を識別し、これらの変動を効果的に管理するために、サブデイリータイムステップを持つマルチステップのEulerスキームを使用する。 我々は米国中西部の広範囲の湖で本手法を試験し,限られた訓練データでもDO濃度を予測できることを実証した。 主に水生生態系に焦点を当てているが、この手法はパワーエンジニアリング、気候科学、バイオメディシンといったプロセスベースのモデルを利用する様々な科学的・工学的な分野に適用できる。

関連論文リスト

• Learning Pore-scale Multi-phase Flow from Experimental Data with Graph Neural Network [2.2101344151283944]
  現在の数値モデルは、しばしば実験で観測された複雑な細孔スケールの物理学を正確に捉えることができない。 我々は,マイクロCT実験データを用いて,グラフニューラルネットワークを用いた多孔質流体の流れを直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-11-21T15:01:17Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Hierarchically Disentangled Recurrent Network for Factorizing System Dynamics of Multi-scale Systems [4.634606500665259]
  マルチスケールプロセスのモデリングのための知識誘導機械学習(KGML)フレームワークを提案する。 本研究では,水文学における流れ予測の文脈におけるその性能について検討する。
  論文  参考訳（メタデータ） (2024-07-29T16:25:43Z)
• Streamflow Prediction with Uncertainty Quantification for Water Management: A Constrained Reasoning and Learning Approach [27.984958596544278]
  本稿では、論理的制約として表される物理法則を、ディープニューラルネットワークの層として統合する制約付き推論と学習(CRL)アプローチについて検討する。 そこで本研究では,深層モデルの一般化精度を向上させるため,理論的に基礎的なトレーニング手法を開発した。
  論文  参考訳（メタデータ） (2024-05-31T18:53:53Z)
• One More Step: A Versatile Plug-and-Play Module for Rectifying Diffusion Schedule Flaws and Enhancing Low-Frequency Controls [77.42510898755037]
  One More Step (OMS) は、推論中に単純だが効果的なステップを付加したコンパクトネットワークである。 OMSは画像の忠実度を高め、トレーニングと推論の二分法を調和させ、元のモデルパラメータを保存する。 トレーニングが完了すると、同じ潜在ドメインを持つ様々な事前訓練された拡散モデルが同じOMSモジュールを共有することができる。
  論文  参考訳（メタデータ） (2023-11-27T12:02:42Z)
• Neural network analysis of neutron and X-ray reflectivity data: Incorporating prior knowledge for tackling the phase problem [141.5628276096321]
  本稿では,事前知識を利用して,より大規模なパラメータ空間上でのトレーニングプロセスを標準化する手法を提案する。 ボックスモデルパラメータ化を用いた多層構造を含む様々なシナリオにおいて,本手法の有効性を示す。 従来の手法とは対照的に,逆問題の複雑性を増大させると,我々の手法は好適にスケールする。
  論文  参考訳（メタデータ） (2023-06-28T11:15:53Z)
• Real-time high-resolution CO$_2$ geological storage prediction using nested Fourier neural operators [58.728312684306545]
  炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。 CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。 我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
  論文  参考訳（メタデータ） (2022-10-31T04:04:03Z)
• Deep-learning-based upscaling method for geologic models via theory-guided convolutional neural network [0.0]
  油圧電界の粗い格子と油圧ヘッドの関係を近似するために、深部畳み込みニューラルネットワーク(CNN)を訓練する。 物理情報を考慮すると、深部CNNモデルのトレーニングデータ量への依存を大幅に低減することができる。
  論文  参考訳（メタデータ） (2021-12-31T08:10:48Z)
• A Gradient-based Deep Neural Network Model for Simulating Multiphase Flow in Porous Media [1.5791732557395552]
  多孔質媒体の多相流に関する物理に制約された勾配に基づくディープニューラルネットワーク(GDNN)について述べる。 GDNNが非線型応答の非線型パターンを効果的に予測できることを実証する。
  論文  参考訳（メタデータ） (2021-04-30T02:14:00Z)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)

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。