論文の概要: AI-powered Digital Twin of the Ocean: Reliable Uncertainty Quantification for Real-time Wave Height Prediction with Deep Ensemble

• arxiv url: http://arxiv.org/abs/2412.05475v2
• Date: Sun, 05 Jan 2025 01:45:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:01:53.718695
• Title: AI-powered Digital Twin of the Ocean: Reliable Uncertainty Quantification for Real-time Wave Height Prediction with Deep Ensemble
• Title（参考訳）: AIによる海洋のディジタルツイン:ディープアンサンブルを用いたリアルタイム波高予測のための信頼性の高い不確実性定量化
• Authors: Dongeon Lee, Sunwoong Yang, Jae-Won Oh, Su-Gil Cho, Sanghyuk Kim, Namwoo Kang,
• Abstract要約: 本稿では,長期記憶(LSTM)ネットワークを統合したAIを用いた信頼性リアルタイム波高予測モデルを提案する。 モデルは顕著な精度 (R2 > 0.9) を達成すると同時に, 簡単な校正手法により, 不確かさを50%以上向上させる。
• 参考スコア（独自算出の注目度）: 1.1874952582465603
• License:
• Abstract: Environmental pollution and fossil fuel depletion have prompted the need for renewable energy-based power generation. However, its stability is often challenged by low energy density and non-stationary conditions. Wave energy converters (WECs), in particular, need reliable real-time wave height prediction to address these issues caused by irregular wave patterns, which can lead to the inefficient and unstable operation of WECs. In this study, we propose an AI-powered reliable real-time wave height prediction model that integrates long short-term memory (LSTM) networks for temporal prediction with deep ensemble (DE) for robust uncertainty quantification (UQ), ensuring high accuracy and reliability. To further enhance the reliability, uncertainty calibration is applied, which has proven to significantly improve the quality of the quantified uncertainty. Using real operational data from an oscillating water column-wave energy converter (OWC-WEC) system in Jeju, South Korea, the model achieves notable accuracy (R2 > 0.9), while increasing uncertainty quality by over 50% through simple calibration technique. Furthermore, a comprehensive parametric study is conducted to explore the effects of key model hyperparameters, offering valuable guidelines for diverse operational scenarios, characterized by differences in wavelength, amplitude, and period. These results demonstrate the model's capability to deliver reliable predictions, facilitating digital twin of the ocean.
• Abstract（参考訳）: 環境汚染と化石燃料の枯渇により、再生可能エネルギーベースの発電の必要性が高まっている。 しかし、その安定性は低エネルギー密度と非定常条件によってしばしば挑戦される。 ウェーブ・エナジー・コンバータ(WEC)は、不規則なウェーブ・パターンに起因するこれらの問題に対処するために、信頼性の高いリアルタイム・ウェーブ・ハイト・予測を必要とするため、WECの非効率かつ不安定な動作につながる可能性がある。 本研究では,長期間の短期記憶(LSTM)ネットワークを時間的予測に組み込んだAIを用いた信頼性の高いリアルタイム波高予測モデルと,高精度かつ信頼性の確保を目的とした高信頼な不確実性定量化(UQ)のための深層アンサンブル(DE)を提案する。 信頼性をさらに高めるため、不確実性校正が適用され、定量化された不確実性の品質が著しく向上することが証明された。 韓国・十重市にある振動式水柱波エネルギー変換器(OWC-WEC)システムによる実運用データを用いて, 簡易校正法により, 不確かさを50%以上増加させながら, 顕著な精度(R2 > 0.9)を達成した。 さらに、鍵モデルハイパーパラメータの影響を総合的に調査し、波長、振幅、周期の差を特徴とする多様な運用シナリオに対する貴重なガイドラインを提供する。 これらの結果は、モデルが信頼性の高い予測を提供する能力を示し、海洋のデジタルツインを促進する。

関連論文リスト

• Integrating Physics and Data-Driven Approaches: An Explainable and Uncertainty-Aware Hybrid Model for Wind Turbine Power Prediction [1.1270209626877075]
  風力エネルギーセクターの急速な成長は、タービンの運転を最適化する緊急の必要性を浮き彫りにしている。 伝統的な経験的モデルと物理学に基づくモデルは、風速に基づく発電の近似予測を提供する。 データ駆動機械学習手法は、風力タービンモデリングを改善するための有望な道を示す。
  論文  参考訳（メタデータ） (2025-02-11T08:16:48Z)
• Steam Turbine Anomaly Detection: An Unsupervised Learning Approach Using Enhanced Long Short-Term Memory Variational Autoencoder [3.004788114489393]
  ラベルなしデータセットの精度の高い教師なし異常検出のためのELSTMVAE-DAF-GMM(ELSTMVAE-DAF-GMM)を提案する。 VAEとLSTMを統合したELSTMVAEは,低次元位相空間に高次元時系列データを投影するために用いられた。 新たなDAF(Deep Advanced Feature)は、LSTMVAEモデルから遅延埋め込みと再構成の相違をハイブリダイズし、より包括的なデータ表現を提供する。
  論文  参考訳（メタデータ） (2024-11-16T10:11:36Z)
• A Fuzzy Reinforcement LSTM-based Long-term Prediction Model for Fault Conditions in Nuclear Power Plants [3.386466888902435]
  早期故障検出とタイムリーなメンテナンススケジューリングは、NPPの運用上のリスクを著しく軽減する。 多段階予測モデル(PHM)を開発する必要がある。 本稿では,Long Short-Term Memory(LSTM)ニューラルネットワークとExpert Fuzzy Evaluation Methodを統合した新しい予測モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-13T06:40:17Z)
• Time Evidence Fusion Network: Multi-source View in Long-Term Time Series Forecasting [22.550778677778112]
  本稿では,情報融合の観点から,Time Evidence Fusion Network (TEFN) という新しいバックボーンアーキテクチャを提案する。 提案したTEFNは精度、効率、安定性、解釈可能性のバランスをとり、時系列予測に望ましい解である。
  論文  参考訳（メタデータ） (2024-05-10T12:10:22Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• 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)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Clean two-dimensional Floquet time-crystal [68.8204255655161]
  障害のない2次元量子イジングモデルは、周期的不完全大域スピンフリップの対象となる。 本稿では, 自発的に破れた離散時間-翻訳対称性を維持できる, 正確な対角化法とテンソル-ネットワーク法の組み合わせにより示す。 2次元における磁区の長期安定性に関連する秩序パラメータの崩壊速度の非摂動変化を観察する。
  論文  参考訳（メタデータ） (2022-05-10T13:04:43Z)
• Forecasting Thermoacoustic Instabilities in Liquid Propellant Rocket Engines Using Multimodal Bayesian Deep Learning [1.911678487931003]
  我々は、動的圧力時系列の振幅を予測するために、自己回帰ベイズニューラルネットワークモデルを訓練する。 ネットワークは、圧力振幅の進化を正確に予測し、目に見えない実験で500ミリ秒前に不安定事象を予測できる。
  論文  参考訳（メタデータ） (2021-07-01T18:28:13Z)
• Discriminative Jackknife: Quantifying Uncertainty in Deep Learning via Higher-Order Influence Functions [121.10450359856242]
  我々は、モデル損失関数の影響関数を利用して、予測信頼区間のジャックニフェ(または、アウト・ワン・アウト)推定器を構築する頻繁な手順を開発する。 1)および(2)を満たすDJは、幅広いディープラーニングモデルに適用可能であり、実装が容易であり、モデルトレーニングに干渉したり、精度を妥協したりすることなく、ポストホックな方法で適用することができる。
  論文  参考訳（メタデータ） (2020-06-29T13:36:52Z)

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。