論文の概要: Generalization of Urban Wind Environment Using Fourier Neural Operator Across Different Wind Directions and Cities

• arxiv url: http://arxiv.org/abs/2501.05499v1
• Date: Thu, 09 Jan 2025 18:02:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-13 15:26:12.803647
• Title: Generalization of Urban Wind Environment Using Fourier Neural Operator Across Different Wind Directions and Cities
• Title（参考訳）: 異なる風向と都市にまたがるフーリエニューラル演算子を用いた都市風環境の一般化
• Authors: Cheng Chen, Geng Tian, Shaoxiang Qin, Senwen Yang, Dingyang Geng, Dongxue Zhan, Jinqiu Yang, David Vidal, Liangzhu Leon Wang,
• Abstract要約: 本研究では,風向と都市レイアウトの異なる流れ場予測におけるフーリエニューラル演算子(FNO)モデルの有効性について検討した。 大規模なエドディシミュレーションデータから速度データを学習することにより,異なる都市環境と風環境下でのモデルの性能を評価する。 その結果,FNOモデルでは正確な予測が可能であり,計算時間を99%削減できることがわかった。
• 参考スコア（独自算出の注目度）: 3.161712948860127
• License:
• Abstract: Simulation of urban wind environments is crucial for urban planning, pollution control, and renewable energy utilization. However, the computational requirements of high-fidelity computational fluid dynamics (CFD) methods make them impractical for real cities. To address these limitations, this study investigates the effectiveness of the Fourier Neural Operator (FNO) model in predicting flow fields under different wind directions and urban layouts. In this study, we investigate the effectiveness of the Fourier Neural Operator (FNO) model in predicting urban wind conditions under different wind directions and urban layouts. By training the model on velocity data from large eddy simulation data, we evaluate the performance of the model under different urban configurations and wind conditions. The results show that the FNO model can provide accurate predictions while significantly reducing the computational time by 99%. Our innovative approach of dividing the wind field into smaller spatial blocks for training improves the ability of the FNO model to capture wind frequency features effectively. The SDF data also provides important spatial building information, enhancing the model's ability to recognize physical boundaries and generate more realistic predictions. The proposed FNO approach enhances the AI model's generalizability for different wind directions and urban layouts.
• Abstract（参考訳）: 都市風環境のシミュレーションは、都市計画、汚染対策、再生可能エネルギー利用に不可欠である。 しかし、高忠実度計算流体力学(CFD)法の計算要求により、実際の都市では実現不可能である。 これらの制約に対処するため,風向と都市配置の異なる流れ場予測におけるフーリエニューラル演算子(FNO)モデルの有効性について検討した。 本研究では,風向と都市配置の異なる都市風況予測におけるフーリエニューラル演算子(FNO)モデルの有効性について検討した。 大規模なエドディシミュレーションデータから速度データに関するモデルを訓練することにより、異なる都市構成と風環境下でのモデルの性能を評価する。 その結果,FNOモデルでは正確な予測が可能であり,計算時間を99%削減できることがわかった。 風洞をより小さな空間ブロックに分割して訓練するという革新的なアプローチは、FNOモデルの風速特性を効果的に捉える能力を向上させる。 SDFデータはまた、重要な空間構築情報を提供し、物理的な境界を認識し、より現実的な予測を生成するモデルの能力を高める。 提案したFNOアプローチは、異なる風向と都市レイアウトに対するAIモデルの一般化性を高める。

関連論文リスト

• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• 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)
• Fourier neural operator for real-time simulation of 3D dynamic urban microclimate [2.1680962744993657]
  実時間3次元都市風洞シミュレーションにフーリエニューラル演算子(FNO)ネットワークを適用した。 数値実験により、FNOモデルが瞬時空間速度場を正確に再構成できることが示されている。 さらに,風向の異なる未確認データに基づくFNOモデルの評価を行い,FNOモデルが風向の異なるデータに対して良好に一般化可能であることを示す。
  論文  参考訳（メタデータ） (2023-08-08T02:03:47Z)
• Spherical Fourier Neural Operators: Learning Stable Dynamics on the Sphere [53.63505583883769]
  球面幾何学の演算子を学習するための球面FNO(SFNO)を紹介する。 SFNOは、気候力学の機械学習に基づくシミュレーションに重要な意味を持つ。
  論文  参考訳（メタデータ） (2023-06-06T16:27:17Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Modeling Wind Turbine Performance and Wake Interactions with Machine Learning [0.0]
  SCADAとオンショアウィンドファームで収集された気象データに基づいて異なる機械学習モデル(ML)を訓練する。 データ品質制御と事前処理のためのML手法を調査対象のデータセットに適用する。 風力タービンのパワーキャプチャーをモデル化するために,ハイブリッドモデルが高精度であることがわかった。
  論文  参考訳（メタデータ） (2022-12-02T23:07:05Z)
• FastFlow: AI for Fast Urban Wind Velocity Prediction [0.0]
  高忠実度数値シミュレーションにより典型的に行われる都市レイアウトのキャラクタリゼーションにおけるCNNの利用について述べる。 このモデルを,データ駆動型歩行者風速予測のための実用性の最初の実証に応用する。
  論文  参考訳（メタデータ） (2022-11-22T06:13:48Z)
• Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
  本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。 Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
  論文  参考訳（メタデータ） (2022-05-13T21:55:28Z)
• Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
  イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。 我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。 最適設計と性能は場所によって異なることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:55:10Z)
• Airfoil's Aerodynamic Coefficients Prediction using Artificial Neural Network [0.0]
  右翼を見つけることは、あらゆる航空機の設計の予備段階における重要なステップである。 本研究では、異なるネットワークアーキテクチャとトレーニングデータセットを比較し、ネットワークが与えられた翼のジオメトリをどのように知覚するかについての洞察を得る。
  論文  参考訳（メタデータ） (2021-09-24T19:07:19Z)
• Multistream Graph Attention Networks for Wind Speed Forecasting [4.644923443649426]
  本稿では,グラフ注意ネットワーク(GAT)に基づく風速予測の新しいモデルを提案する。 特に,提案モデルでは,学習可能な隣接行列を用いてGATアーキテクチャを拡張した。 風速予測に用いた従来のアーキテクチャと比較して,提案手法は気象データの複雑な入出力関係をよりよく学習できることを示す。
  論文  参考訳（メタデータ） (2021-08-16T12:58:26Z)

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。