論文の概要: Bayesian dynamic mode decomposition for real-time ship motion digital twinning
- arxiv url: http://arxiv.org/abs/2411.14839v1
- Date: Fri, 22 Nov 2024 10:25:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-25 15:02:28.356807
- Title: Bayesian dynamic mode decomposition for real-time ship motion digital twinning
- Title（参考訳）: リアルタイム船動デジタルツインニングのためのベイズ動的モード分解
- Authors: Giorgio Palma, Andrea Serani, Kevin McTaggart, Shawn Aram, David W. Wundrow, David Drazen, Matteo Diez,
- Abstract要約: 本稿では, 船体動特性の予測ツールとして, ハンケル・ダイナミックモード分解法のベイズ拡張を提案する。
提案アルゴリズムは, デジタルツインニングに係わる定式化の要件をすべて満たし, 物理系からデータを取得することにより, 結果のモデルを適応させることができる。
3種類のCFDソルバのデータを用いて,Fr = 0.33 におけるビームベース海洋7不規則波の5415Mモデルの軌道維持について検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Digital twins are widely considered enablers of groundbreaking changes in the development, operation, and maintenance of novel generations of products. They are meant to provide reliable and timely predictions to inform decisions along the entire product life cycle. One of their most interesting applications in the naval field is the digital twinning of ship performances in waves, a crucial aspect in design and operation safety. In this paper, a Bayesian extension of the Hankel dynamic mode decomposition method is proposed for ship motion's nowcasting as a prediction tool for naval digital twins. The proposed algorithm meets all the requirements for formulations devoted to digital twinning, being able to adapt the resulting models with the data incoming from the physical system, using a limited amount of data, producing real-time predictions, and estimating their reliability. Results are presented and discussed for the course-keeping of the 5415M model in beam-quartering sea state 7 irregular waves at Fr = 0.33, using data from three different CFD solvers. The results show predictions keeping good accuracy levels up to five wave encounter periods, with the Bayesian formulation improving the deterministic forecasts. In addition, a connection between the predicted uncertainty and prediction accuracy is found.
- Abstract（参考訳）: デジタル双生児は、新しい世代の製品の開発、運用、保守において、画期的な変化をもたらすと広く考えられている。
信頼性とタイムリーな予測を提供することで、製品ライフサイクル全体に沿って意思決定を通知することを目的としています。
海軍分野における最も興味深い応用の1つは、設計と運用の安全性において重要な側面である波動における船舶性能のデジタルツインニングである。
本稿では, 船体動特性の予測ツールとして, ハンケル・ダイナミックモード分解法のベイズ拡張を提案する。
提案アルゴリズムは,デジタルツインニングに係わる定式化の要件をすべて満たし,物理システムから取得したデータに適応し,限られた量のデータを使用し,リアルタイムな予測を行い,信頼性を推定する。
3種類のCFDソルバのデータを用いて,Fr = 0.33 におけるビームベース海洋7不規則波の5415Mモデルの軌道維持について検討した。
その結果, ベイジアン定式化により決定論的予測が向上し, 5つの波面出現期間まで精度の高い予測が得られた。
また、予測不確かさと予測精度の関連性も見いだされる。
関連論文リスト
- Analysis and Forecasting of the Dynamics of a Floating Wind Turbine Using Dynamic Mode Decomposition [0.0]
本稿では, 動的モード分解(DMD)に基づく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。
フローティングシステムに作用する動き,加速度,力の予測アルゴリズムを開発した。
その結果,システム状態の短期的将来予測に対するアプローチの能力が示され,リアルタイムな予測と制御が可能となった。
論文 参考訳（メタデータ） (2024-11-08T18:38:29Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。
我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。
限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
論文 参考訳（メタデータ） (2023-11-30T18:59:44Z) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳（メタデータ） (2023-09-12T13:28:06Z) - Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing
Uncertainty [125.41260574344933]
エンコーダ・デコーダをベースとした深層アンサンブルネットワークは,認識と予測の不確実性の両方を同時に捕捉する。
全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。
論文 参考訳（メタデータ） (2023-05-26T04:27:48Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2023-01-08T12:20:46Z) - Multistep Multiappliance Load Prediction [0.0]
我々は4つの異なる領域の4つのデータセットに基づいて,アプライアンスレベルの負荷予測のための堅牢で正確なモデルを構築した。
実験結果から,長期記憶(LSTM)モデルと並行して,時間特性と気象指標の周期的符号化が最適性能を示すことが示された。
論文 参考訳（メタデータ） (2022-12-19T13:01:51Z) - A generic diffusion-based approach for 3D human pose prediction in the
wild [68.00961210467479]
3D人間のポーズ予測、すなわち、過去の観察されたポーズのシーケンスが与えられた後の人間の3Dポーズのシーケンスを予測することは、困難な時間課題である。
本稿では,不完全な要素(予測や観測に関係しない)をノイズとして扱える統一的な定式化法を提案し,それらを認知し,妥当なポーズを予測する条件拡散モデルを提案する。
本研究は,4つの標準データセットについて検討し,現状よりも大幅に改善された。
論文 参考訳（メタデータ） (2022-10-11T17:59:54Z) - Predicting Berth Stay for Tanker Terminals: A Systematic and Dynamic
Approach [1.6694381776724387]
提案手法は、歴史的基準によって検証された98.81%の精度でバース滞在を予測することができる。
このモデルは、短期間のパイロット予約や、適切な時間枠内でのスケジューリング最適化に応用される可能性がある。
論文 参考訳（メタデータ） (2022-04-08T14:03:33Z) - Data-Driven System Identification of 6-DoF Ship Motion in Waves with
Neural Networks [0.0]
現在の波動環境と船の状態から船の応答の短期的予測は、有人・無人船の意思決定の強化を可能にした。
長い短期記憶(LSTM)ニューラルネットワークを用いて開発され、フリーランのデビッド・テイラー・モデル・ベースン(DTMB)5415駆逐艦の動作を表現する。
波高の時間履歴は、推定された遭遇フレームと共に移動し、ニューラルネットワークへの入力として機能する人工波プローブによって与えられ、出力は6-DOFの時間的船動応答である。
論文 参考訳（メタデータ） (2021-11-02T17:51:35Z) - Probabilistic prediction of the heave motions of a semi-submersible by a
deep learning problem model [4.903969235471705]
深層学習(DL)モデルを拡張し,20～50秒前に浮遊半潜水艇のヒーブ・サージ動作を精度良く予測する。
本研究では,オフショアプラットフォームの波動励起運動を予測するために,DLモデルの理解を深める。
論文 参考訳（メタデータ） (2021-10-09T06:26:42Z)
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。