論文の概要: Deep learning methods for modeling infrasound transmission loss in the middle atmosphere
- arxiv url: http://arxiv.org/abs/2506.06351v1
- Date: Mon, 02 Jun 2025 13:10:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-10 16:33:10.212153
- Title: Deep learning methods for modeling infrasound transmission loss in the middle atmosphere
- Title（参考訳）: 中層大気中の超音波透過損失のモデル化のための深層学習法
- Authors: Alexis Le Pichon, Alice Janela Cameijo, Samir Aknine, Youcef Sklab, Souhila Arib, Quentin Brissaud, Sven Peter Naesholm,
- Abstract要約: 我々は,世界規模でシミュレーションされた温度と風場からTLを予測しながら,予測誤差を最小限に抑えるために,最適化された畳み込みネットワークを開発した。
実装されたモデルは、周波数帯全体(0.1-3.2Hz)における平均誤差8.6dBのTLを予測し、現実的な大気シナリオを探索する。
- 参考スコア（独自算出の注目度）: 5.842419815638353
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurate modeling of infrasound transmission losses (TLs) is essential to assess the performance of the global International Monitoring System infrasound network. Among existing propagation modeling tools, parabolic equation (PE) method enables TLs to be finely modeled, but its computational cost does not allow exploration of a large parameter space for operational monitoring applications. To reduce computation times, Brissaud et al. 2023 explored the potential of convolutional neural networks trained on a large set of regionally simulated wavefields (< 1000 km from the source) to predict TLs with negligible computation times compared to PE simulations. However, this method struggles in unfavorable initial wind conditions, especially at high frequencies, and causal issues with winds at large distances from the source affecting ground TLs close to the source. In this study, we have developed an optimized convolutional network designed to minimize prediction errors while predicting TLs from globally simulated combined temperature and wind fields spanning over propagation ranges of 4000 km. Our approach enhances the previously proposed one by implementing key optimizations that improve the overall architecture performance. The implemented model predicts TLs with an average error of 8.6 dB in the whole frequency band (0.1-3.2 Hz) and explored realistic atmospheric scenarios.
- Abstract（参考訳）: グローバルな国際モニタリングシステム・インフラウンドネットワークの性能を評価するためには,インフラウンド伝送損失(TL)の正確なモデリングが不可欠である。
既存の伝搬モデリングツールの中で、パラボリック方程式(PE)法はTLを微細にモデル化することができるが、その計算コストは、運用監視アプリケーションのための大きなパラメータ空間の探索を許さない。
計算時間を短縮するため、Brissaudら 2023 は、PE シミュレーションと比較して無視できる計算時間で TL を予測するために、広い範囲でシミュレートされた波動場 (<1000 km) で訓練された畳み込みニューラルネットワークの可能性を探った。
しかし、この手法は、特に高周波の好ましくない初期風条件と、ソースから遠く離れた場所にある地中TLに影響を及ぼす風の因果問題に苦慮する。
本研究では,4000kmの伝搬範囲にまたがる大域的にシミュレーションされた温度と風場からTLを予測しながら,予測誤差を最小限に抑える最適化された畳み込みネットワークを開発した。
我々のアプローチは、アーキテクチャ全体のパフォーマンスを改善する重要な最適化を実装することで、これまで提案されていたものを強化します。
実装されたモデルは、周波数帯全体(0.1-3.2Hz)における平均誤差8.6dBのTLを予測し、現実的な大気シナリオを探索する。
関連論文リスト
- Towards real-time assessment of infrasound event detection capability using deep learning-based transmission loss estimation [5.601176010173589]
国際モニタリングシステムの性能評価には, 超音波透過損失の高精度なモデリングが不可欠である。
最先端の伝搬モデリングツールにより、大気モデルを用いて伝達損失を微細にシミュレートすることができる。
近年の研究では,伝達損失予測をほぼ瞬時に行うディープ・ラーニング・アルゴリズムを用いている。
本研究では, 風場と温度場をニューラルネットワークの入力として使用し, 最大130km, 4,000kmの距離をシミュレートした。
論文 参考訳（メタデータ） (2025-06-03T09:49:12Z) - BlastOFormer: Attention and Neural Operator Deep Learning Methods for Explosive Blast Prediction [6.349503549199403]
BlastOFormerは、フルフィールド最大圧力予測のためのトランスフォーマーベースの代理モデルである。
オープンソースの blastFoam CFD ソルバを使って生成されたデータセットでトレーニングされている。
推算には6.4ミリ秒しか必要とせず、CFDシミュレーションの600,000倍以上高速である。
論文 参考訳（メタデータ） (2025-05-26T18:47:50Z) - Data-efficient rapid prediction of urban airflow and temperature fields for complex building geometries [0.0]
本稿では,多方向距離特徴(MDDF)と局部訓練を組み合わせた新しい枠組みを提案する。
局所的なフーリエニューラル演算子 (Local-FNO) モデルでは, フル3次元風速と温度予測を1分以内で生成する。
風速 0.3 m/s の絶対誤差と未確認の都市構成温度 0.3$C の絶対誤差から,本手法は強力な一般化能力と実用的な都市利用の可能性を示す。
論文 参考訳（メタデータ） (2025-03-25T14:36:01Z) - Advances in Land Surface Model-based Forecasting: A comparative study of LSTM, Gradient Boosting, and Feedforward Neural Network Models as prognostic state emulators [4.852378895360775]
地表面プロセスのシミュレーションによる実験研究の高速化における3つの代理モデルの効率性を評価する。
以上の結果から, LSTMネットワークは, 予測期間を経た平均モデル全体の精度は高いが, 慎重に調整した場合は, 大陸の長距離予測に優れることがわかった。
論文 参考訳（メタデータ） (2024-07-23T13:26:05Z) - Application of Long-Short Term Memory and Convolutional Neural Networks for Real-Time Bridge Scour Prediction [0.0]
我々は,過去のセンサモニタリングデータに基づいて,橋脚周辺の深度変化を予測するために,ディープラーニングアルゴリズムの力を利用する。
本研究では,Long Short-Term Memory (LSTM) モデルとConvolutional Neural Network (CNN) モデルの性能について検討した。
論文 参考訳（メタデータ） (2024-04-25T12:04:36Z) - Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。
本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。
エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。
さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文 参考訳（メタデータ） (2023-10-16T05:49:28Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - 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) - FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond
10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。
FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。
その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文 参考訳（メタデータ） (2023-04-06T09:16:39Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳（メタデータ） (2022-11-26T01:56:05Z)
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。