論文の概要: A Novel Deep Learning Approach for Emulating Computationally Expensive Postfire Debris Flows
- arxiv url: http://arxiv.org/abs/2504.07736v1
- Date: Thu, 10 Apr 2025 13:29:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-11 12:24:13.554880
- Title: A Novel Deep Learning Approach for Emulating Computationally Expensive Postfire Debris Flows
- Title（参考訳）: 計算に要するポストファイア流れをエミュレートする新しい深層学習手法
- Authors: Palak Patel, Luke McGuire, Abani Patra,
- Abstract要約: 本研究では, 深層学習に基づく代理モデルを構築し, 多様な地形を横断する流出破砕流の動態を予測した。
限られた高価なシミュレーションを用いて高速なトレーニングを可能にするため、深層学習モデルは物理学に基づくシミュレーションのアンサンブルからのデータに基づいて訓練された。
モンテカルロ法による不確かさ定量化は、検証されたサロゲートを用いて可能である。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Traditional physics-based models of geophysical flows, such as debris flows and landslides that pose significant risks to human lives and infrastructure are computationally expensive, limiting their utility for large-scale parameter sweeps, uncertainty quantification, inversions or real-time applications. This study presents an efficient alternative, a deep learning-based surrogate model built using a modified U-Net architecture to predict the dynamics of runoff-generated debris flows across diverse terrain based on data from physics based simulations. The study area is divided into smaller patches for localized predictions using a patch-predict-stitch methodology (complemented by limited global data to accelerate training). The patches are then combined to reconstruct spatially continuous flow maps, ensuring scalability for large domains. To enable fast training using limited expensive simulations, the deep learning model was trained on data from an ensemble of physics based simulations using parameters generated via Latin Hypercube Sampling and validated on unseen parameter sets and terrain, achieving maximum pointwise errors below 10% and robust generalization. Uncertainty quantification using Monte Carlo methods are enabled using the validated surrogate, which can facilitate probabilistic hazard assessments. This study highlights the potential of deep learning surrogates as powerful tools for geophysical flow analysis, enabling computationally efficient and reliable probabilistic hazard map predictions.
- Abstract（参考訳）: 人命やインフラに重大なリスクをもたらす土砂流や地すべりなどの物理的な流れの伝統的なモデルは計算コストが高く、大規模なパラメータスイープ、不確実な定量化、逆転、リアルタイムな応用に限界がある。
本研究は, 物理シミュレーションから得られたデータに基づいて, 多様な地形にまたがる流出破砕流の動態を予測するために, 改良されたU-Netアーキテクチャを用いて構築した, ディープラーニングに基づくシュロゲートモデルである。
研究領域は、パッチ予測スティッチ手法(訓練を加速するために、限られたグローバルデータで補う)を用いて、局所的な予測を行うための小さなパッチに分割される。
パッチは、空間的に連続したフローマップを再構築するために結合され、大きなドメインのスケーラビリティが保証される。
限られた高価なシミュレーションを用いた高速トレーニングを可能にするため、ディープラーニングモデルは、ラテンハイパーキューブサンプリングによって生成されたパラメータを用いて物理シミュレーションのアンサンブルのデータに基づいて訓練され、未知のパラメータセットと地形に基づいて検証され、10%未満の最大点誤りとロバストな一般化を実現した。
モンテカルロ法による不確かさ定量化は、確率論的ハザードアセスメントを促進するための検証されたサロゲートを用いて実現される。
本研究は,物理フロー解析の強力なツールとして深層学習サロゲートの可能性を強調し,計算効率が高く信頼性の高い確率的ハザードマップの予測を可能にする。
関連論文リスト
- A probabilistic framework for learning non-intrusive corrections to long-time climate simulations from short-time training data [12.566163525039558]
本稿では,カオスシステムの非侵襲的に解けない長期シミュレーションにニューラルネットワークモデルをトレーニングするための戦略を提案する。
トレーニングで見られるデータより30倍以上長い時間的地平線上での異方性統計を正確に予測する能力を示す。
論文 参考訳（メタデータ） (2024-08-02T18:34:30Z) - 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) - A stable deep adversarial learning approach for geological facies
generation [32.97208255533144]
深層生成学習は、従来の地形シミュレーションモデルの限界を克服するための有望なアプローチである。
本研究は, 地下ボリュームにおける条件付き蛇行チャネルに対する, 生成的対向ネットワークと深部変動推論の適用性について検討することを目的とする。
論文 参考訳（メタデータ） (2023-05-12T14:21:14Z) - Real-time simulation of viscoelastic tissue behavior with physics-guided
deep learning [0.8250374560598492]
軟部組織の変位場を粘弾性特性で予測する深層学習法を提案する。
提案手法は従来のCNNモデルよりも精度が高い。
本調査は,仮想現実における深層学習のギャップを埋めるのに役立つものと期待されている。
論文 参考訳（メタデータ） (2023-01-11T18:17:10Z) - Strategic Geosteeering Workflow with Uncertainty Quantification and Deep
Learning: A Case Study on the Goliat Field [0.0]
本稿では,オフラインとオンラインのフェーズからなる実践的なワークフローを提案する。
オフラインフェーズには、不確実な事前ニアウェルジオモデルのトレーニングと構築が含まれている。
オンラインフェーズでは、フレキシブルな反復アンサンブルスムーズ(FlexIES)を使用して、極深電磁データのリアルタイム同化を行う。
論文 参考訳（メタデータ） (2022-10-27T15:38:26Z) - Guaranteed Conservation of Momentum for Learning Particle-based Fluid
Dynamics [96.9177297872723]
本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。
我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。
提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2022-10-12T09:12:59Z) - Probabilistic forecasting for geosteering in fluvial successions using a
generative adversarial network [0.0]
リアルタイムデータに基づく高速更新は、プレドリルモデルで高い不確実性を持つ複雑な貯水池での掘削に不可欠である。
本稿では, フラビアル継承の地質学的に一貫した2次元断面を再現するためのGAN(generative adversarial Deep Neural Network)を提案する。
この手法は不確実性を低減し, 掘削ビットより500m先にある主要な地質特性を正確に予測する。
論文 参考訳（メタデータ） (2022-07-04T12:52:38Z) - 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) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。
シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
論文 参考訳（メタデータ） (2022-03-25T19:57:19Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z)
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。