論文の概要: Robust blue-green urban flood risk management optimised with a genetic algorithm for multiple rainstorm return periods

• arxiv url: http://arxiv.org/abs/2502.12174v1
• Date: Thu, 13 Feb 2025 21:42:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:09:14.590013
• Title: Robust blue-green urban flood risk management optimised with a genetic algorithm for multiple rainstorm return periods
• Title（参考訳）: 複数降雨期における遺伝的アルゴリズムを用いた青緑の都市洪水リスク管理
• Authors: Asid Ur Rehman, Vassilis Glenis, Elizabeth Lewis, Chris Kilsby, Claire Walsh,
• Abstract要約: 洪水リスクマネージャは、投資のリターンを最大化するために、ブルーグリーンインフラストラクチャー(BGI)の設計を最適化しようとします。 現在のシステムは、最適化アルゴリズムと詳細な洪水モデルを使用して、1回の暴風雨のリターン期間の利益-コスト比を最大化する。 本研究では,5つの戻り周期を多目的BGI最適化フレームワークに組み込んだ新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Flood risk managers seek to optimise Blue-Green Infrastructure (BGI) designs to maximise return on investment. Current systems often use optimisation algorithms and detailed flood models to maximise benefit-cost ratios for single rainstorm return periods. However, these schemes may lack robustness in mitigating flood risks across different storm magnitudes. For example, a BGI scheme optimised for a 100-year return period may differ from one optimised for a 10-year return period. This study introduces a novel methodology incorporating five return periods (T = 10, 20, 30, 50, and 100 years) into a multi-objective BGI optimisation framework. The framework combines a Non-dominated Sorting Genetic Algorithm II (NSGA-II) with a fully distributed hydrodynamic model to optimise the spatial placement and combined size of BGI features. For the first time, direct damage cost (DDC) and expected annual damage (EAD), calculated for various building types, are used as risk objective functions, transforming a many-objective problem into a multi-objective one. Performance metrics such as Median Risk Difference (MedRD), Maximum Risk Difference (MaxRD), and Area Under Pareto Front (AUPF) reveal that a 100-year optimised BGI design performs poorly when evaluated for other return periods, particularly shorter ones. In contrast, a BGI design optimised using composite return periods enhances performance metrics across all return periods, with the greatest improvements observed in MedRD (22%) and AUPF (73%) for the 20-year return period, and MaxRD (23%) for the 50-year return period. Furthermore, climate uplift stress testing confirms the robustness of the proposed design to future rainfall extremes. This study advocates a paradigm shift in flood risk management, moving from single maximum to multiple rainstorm return period-based designs to enhance resilience and adaptability to future climate extremes.
• Abstract（参考訳）: 洪水リスクマネージャは、投資のリターンを最大化するために、ブルーグリーンインフラストラクチャー(BGI)の設計を最適化しようとします。 現在のシステムは、最適化アルゴリズムと詳細な洪水モデルを使用して、1回の暴風雨のリターン期間の利益-コスト比を最大化する。 しかし、これらのスキームは、異なる嵐の規模で洪水のリスクを軽減するための堅牢性に欠ける可能性がある。 例えば、100年間のリターン期間に最適化されたBGIスキームは、10年間のリターン期間に最適化されたBGIスキームとは異なる場合がある。 本研究では,5つの戻り期間(T=10,10,20,30,50,100年)を多目的BGI最適化フレームワークに組み込む手法を提案する。 このフレームワークは、非支配的ソーティング遺伝的アルゴリズムII(NSGA-II)と完全に分散された流体力学モデルを組み合わせて、BGI特徴の空間配置と組み合わせサイズを最適化する。 直接損傷コスト (DDC) と予測年次被害 (EAD) は, 様々なビルタイプで計算され, リスク対象関数として利用され, 多目的問題から多目的問題へと変換される。 メディアリスク差 (MedRD) や最大リスク差 (MaxRD) やAUPF (Area Under Pareto Front) のようなパフォーマンス指標は、100年間最適化されたBGI設計が、他のリターン期間、特に短い期間で評価すると、性能が低くなることを示している。 対照的に、コンポジットリターン期間を最適化したBGI設計では、20年リターン期間のMedRD(22%)とAUPF(73%)、50年リターン期間のMaxRD(23%)で最大の改善が見られた。 さらに、気候上昇応力試験は、将来の降雨極度に対する提案された設計の堅牢性を確認する。 本研究は, 降水リスク管理のパラダイムシフトを提唱し, 単一最大値から複数値の降雨期間に基づく設計へ移行し, 将来の気候極端への弾力性と適応性を高める。

関連論文リスト

• Catastrophe Insurance: An Adaptive Robust Optimization Approach [5.877778007271621]
  この研究は、災害保険料の計算に適した新しい適応ロバスト最適化フレームワークを導入している。 私たちの知る限り、AROアプローチが災害保険価格に適用されるのは初めてです。 米国の洪水保険データをケーススタディとして、最適化モデルは損失をカバーし余剰を発生させる効果を示す。
  論文  参考訳（メタデータ） (2024-05-11T18:35:54Z)
• Time-Series Classification for Dynamic Strategies in Multi-Step Forecasting [0.37141182051230903]
  時系列におけるマルチステップ予測(MSF)はほとんどの時間領域において基本である。 これまでの研究では、予測戦略が未確認データに基づく評価に最適であるかどうかが明らかでないことが示されている。 MSFのための動的戦略(DyStrat)を提案する。
  論文  参考訳（メタデータ） (2024-02-13T11:10:14Z)
• Model-based Causal Bayesian Optimization [74.78486244786083]
  乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。 グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。 我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
  論文  参考訳（メタデータ） (2023-07-31T13:02:36Z)
• Ensemble Modeling for Time Series Forecasting: an Adaptive Robust Optimization Approach [3.7565501074323224]
  本稿では,時系列予測モデルの堅牢なアンサンブルを構築するための新しい手法を提案する。 本手法の有効性を,一連の合成実験と実世界の応用を通して実証する。
  論文  参考訳（メタデータ） (2023-04-09T20:30:10Z)
• Online Ensemble of Models for Optimal Predictive Performance with Applications to Sector Rotation Strategy [0.0]
  資産固有の要因は、一般的に金融リターンを予測し、資産固有のリスク・プレミアを定量化するために使用される。 予測性能を最適化するオンラインアンサンブルアルゴリズムを開発した。 当社のアンサンブルからの月次予測を利用して、市場を著しく上回るセクターローテーション戦略を策定する。
  論文  参考訳（メタデータ） (2023-03-30T02:25:54Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)
• Learning Inter-Annual Flood Loss Risk Models From Historical Flood Insurance Claims and Extreme Rainfall Data [0.0]
  洪水は最も壊滅的な自然災害の1つであり、実質的な経済的損失の原因となっている。 本研究は,国立洪水保険プログラムデータセット上に構築されたレジストレーターの予測能力を評価する。
  論文  参考訳（メタデータ） (2022-12-15T19:23:02Z)
• Efficient Risk-Averse Reinforcement Learning [79.61412643761034]
  リスク逆強化学習(RL)では、リターンのリスク測定を最適化することが目標である。 特定の条件下では、これは必然的に局所最適障壁につながることを証明し、それを回避するためのソフトリスク機構を提案する。 迷路ナビゲーション,自律運転,資源配分ベンチマークにおいて,リスク回避の改善を示す。
  論文  参考訳（メタデータ） (2022-05-10T19:40:52Z)
• Evolving Pareto-Optimal Actor-Critic Algorithms for Generalizability and Stability [67.8426046908398]
  汎用性と安定性は,実世界における強化学習(RL)エージェントの運用において重要な2つの目的である。 本稿では,アクター・クリティック・ロス関数の自動設計法であるMetaPGを提案する。
  論文  参考訳（メタデータ） (2022-04-08T20:46:16Z)
• Policy Gradient Bayesian Robust Optimization for Imitation Learning [49.881386773269746]
  我々は、期待される性能とリスクのバランスをとるために、新しいポリシー勾配スタイルのロバスト最適化手法PG-BROILを導出する。 その結果,PG-BROILはリスクニュートラルからリスク・アバースまでの行動のファミリを創出できる可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-11T16:49:15Z)
• Learning to Plan Optimistically: Uncertainty-Guided Deep Exploration via Latent Model Ensembles [73.15950858151594]
  本稿では,不確実な長期報酬に直面した最適化による深層探査を可能にするLOVE(Latent Optimistic Value Exploration)を提案する。 潜在世界モデルと値関数推定を組み合わせ、無限水平リターンを予測し、アンサンブルにより関連する不確実性を回復する。 連続行動空間における視覚ロボット制御タスクにLOVEを適用し、最先端や他の探査目標と比較して、平均20%以上のサンプル効率の改善を実証する。
  論文  参考訳（メタデータ） (2020-10-27T22:06:57Z)

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。