論文の概要: Physics-informed neural networks for phase-resolved data assimilation and prediction of nonlinear ocean waves

• arxiv url: http://arxiv.org/abs/2501.08430v1
• Date: Tue, 14 Jan 2025 20:44:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-16 15:51:19.879137
• Title: Physics-informed neural networks for phase-resolved data assimilation and prediction of nonlinear ocean waves
• Title（参考訳）: 非線形海洋波の位相分解データ同化と予測のための物理インフォームニューラルネットワーク
• Authors: Svenja Ehlers, Norbert Hoffmann, Tianning Tang, Adrian H. Callaghan, Rui Cao, Enrique M. Padilla, Yuxin Fang, Merten Stender,
• Abstract要約: 相分解表面重力波の同化と予測は、海洋科学と工学において重要な課題である。 本稿では,PFT解をニューラルネットワークとしてパラメータ化する新しい解法を提案する。 これにより、ウェーブデータを同化して予測する計算的に安価な方法が提供される。
• 参考スコア（独自算出の注目度）: 11.364751708814191
• License:
• Abstract: The assimilation and prediction of phase-resolved surface gravity waves are critical challenges in ocean science and engineering. Potential flow theory (PFT) has been widely employed to develop wave models and numerical techniques for wave prediction. However, traditional wave prediction methods are often limited. For example, most simplified wave models have a limited ability to capture strong wave nonlinearity, while fully nonlinear PFT solvers often fail to meet the speed requirements of engineering applications. This computational inefficiency also hinders the development of effective data assimilation techniques, which are required to reconstruct spatial wave information from sparse measurements to initialize the wave prediction. To address these challenges, we propose a novel solver method that leverages physics-informed neural networks (PINNs) that parameterize PFT solutions as neural networks. This provides a computationally inexpensive way to assimilate and predict wave data. The proposed PINN framework is validated through comparisons with analytical linear PFT solutions and experimental data collected in a laboratory wave flume. The results demonstrate that our approach accurately captures and predicts irregular, nonlinear, and dispersive wave surface dynamics. Moreover, the PINN can infer the fully nonlinear velocity potential throughout the entire fluid volume solely from surface elevation measurements, enabling the calculation of fluid velocities that are difficult to measure experimentally.
• Abstract（参考訳）: 位相分解表面重力波の同化と予測は海洋科学と工学における重要な課題である。 電位流理論(PFT)は波動モデルや波動予測のための数値的手法の開発に広く用いられている。 しかし、従来の波動予測法はしばしば制限される。 例えば、ほとんどの単純化された波動モデルは強い波動の非線形性を捉える能力に制限があるが、完全に非線形なPFTソルバは工学的応用の速度要件を満たすことができないことが多い。 この計算非効率性は、空間波情報をスパース測定から再構築し、波動予測を初期化する効果的なデータ同化手法の開発を妨げる。 これらの課題に対処するために、PFTソリューションをニューラルネットワークとしてパラメータ化する物理情報ニューラルネットワーク(PINN)を活用する新しい解法を提案する。 これにより、ウェーブデータを同化して予測する計算的に安価な方法が提供される。 提案するPINNフレームワークは, 解析線形PFT法と実験波のフラムで収集した実験データとの比較により検証した。 その結果, 不規則, 非線形, 分散波面のダイナミクスを正確に把握し, 予測できることが示唆された。 さらに、PINNは、表面標高測定のみから、流体体積全体にわたって完全に非線形な速度ポテンシャルを推定することができ、実験的に測定が難しい流体速度の計算を可能にする。

関連論文リスト

• 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)
• Integrating Physics of the Problem into Data-Driven Methods to Enhance Elastic Full-Waveform Inversion with Uncertainty Quantification [0.0]
  フルウェーブフォーム・インバージョン(Full-Waveform Inversion, FWI)は、非線形反復型地震探査技術である。 FWIは地下物理特性の詳細な推定を行うことができる。 FWIの強い非線形性は、局所ミニマにおける最適化をトラップすることができる。
  論文  参考訳（メタデータ） (2024-06-04T11:30:40Z)
• Data assimilation and parameter identification for water waves using the nonlinear Schr\"{o}dinger equation and physics-informed neural networks [0.3495246564946556]
  波高計などのその場観測装置を用いた深海重力波の上昇の測定は、典型的にはスパースデータを出力する。 この分散性は、設置の労力と高い運用コストのために、限られた数のゲージが配置されたことから生じる。 本稿では、物理インフォームドニューラルネットワーク(PINN)を用いて、物理的に一貫した波動場を再構成する手法を提案する。
  論文  参考訳（メタデータ） (2024-01-08T07:35:48Z)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• Machine Learning Extreme Acoustic Non-reciprocity in a Linear Waveguide with Multiple Nonlinear Asymmetric Gates [68.8204255655161]
  この研究は、2つの局所的非線形非対称ゲートを組み込んだ受動1次元線形導波路による音響的非相互性の研究である。 最大透過率は40%に達し、上流から下流までの伝達エネルギーは波動伝播の方向によって最大9桁まで変化する。
  論文  参考訳（メタデータ） (2023-02-02T17:28:04Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• Wave simulation in non-smooth media by PINN with quadratic neural network and PML condition [2.7651063843287718]
  最近提案された物理インフォームドニューラルネットワーク(PINN)は、幅広い偏微分方程式(PDE)を解くことに成功している。 本稿では、波動方程式の代わりにPINNを用いて周波数領域における音響および粘性音響散乱波動方程式を解き、震源の摂動を除去する。 PMLと2次ニューロンは、その効果と減衰を改善できることを示し、この改善の理由を議論する。
  論文  参考訳（メタデータ） (2022-08-16T13:29:01Z)
• Wave-based extreme deep learning based on non-linear time-Floquet entanglement [0.7614628596146599]
  強い非線形性を必要とする複雑なニューロモルフィック・コンピューティング・タスクは、これまで波動ベース・ソリューションのアウト・オブ・リーチに留まってきた。 本稿では,周波数の異なる信号入力間の強い非線形絡み合いを誘発する時間-浮動小数点物理学の関連性を示す。 エクストリームラーニングマシンと貯水池コンピューティングの手法の有効性を実証し,様々な学習課題を解決する。
  論文  参考訳（メタデータ） (2021-07-19T00:18:09Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)

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。