論文の概要: Operator-based machine learning framework for generalizable prediction of unsteady treatment dynamics in stormwater infrastructure

• arxiv url: http://arxiv.org/abs/2507.04682v1
• Date: Mon, 07 Jul 2025 06:02:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.289587
• Title: Operator-based machine learning framework for generalizable prediction of unsteady treatment dynamics in stormwater infrastructure
• Title（参考訳）: ストームウォーターインフラにおける非定常処理ダイナミクスの一般化予測のためのオペレーターベース機械学習フレームワーク
• Authors: Mohamed Shatarah, Kai Liu, Haochen Li,
• Abstract要約: コスト効率の高い設計と計画には,その場での処理性能の正確な評価が不可欠である。 従来のループ型動的モデルは計算効率が良いが、輸送と反応のプロセスが単純化され、予測精度と洞察が制限される。 本研究では,水理と粒子状物質(PM)の空間的・時間的ダイナミクスを予測するために,最先端の演算子学習を活用する複合演算子ベースニューラルネットワーク(CPNN)フレームワークを開発した。
• 参考スコア（独自算出の注目度）: 3.919683312513903
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stormwater infrastructures are decentralized urban water-management systems that face highly unsteady hydraulic and pollutant loadings from episodic rainfall-runoff events. Accurately evaluating their in-situ treatment performance is essential for cost-effective design and planning. Traditional lumped dynamic models (e.g., continuously stirred tank reactor, CSTR) are computationally efficient but oversimplify transport and reaction processes, limiting predictive accuracy and insight. Computational fluid dynamics (CFD) resolves detailed turbulent transport and pollutant fate physics but incurs prohibitive computational cost for unsteady and long-term simulations. To address these limitations, this study develops a composite operator-based neural network (CPNN) framework that leverages state-of-the-art operator learning to predict the spatial and temporal dynamics of hydraulics and particulate matter (PM) in stormwater treatment. The framework is demonstrated on a hydrodynamic separator (HS), a common urban treatment device. Results indicate that the CPNN achieves R2 > 0.8 for hydraulic predictions in 95.2% of test cases; for PM concentration predictions, R2 > 0.8 in 72.6% of cases and 0.4 < R2 < 0.8 in 22.6%. The analysis identifies challenges in capturing dynamics under extreme low-flow conditions, owing to their lower contribution to the training loss. Exploiting the automatic-differentiation capability of the CPNN, sensitivity analyses quantify the influence of storm event loading on PM transport. Finally, the potential of the CPNN framework for continuous, long-term evaluation of stormwater infrastructure performance is discussed, marking a step toward robust, climate-aware planning and implementation.
• Abstract（参考訳）: ストームウォーターのインフラは、高度に不安定な水力と汚染物質が降雨・流出する現象に直面する、分散型の都市水管理システムである。 コスト効率の高い設計と計画には,その場での処理性能の正確な評価が不可欠である。 従来のループ型動的モデル(例えば、連続的にかき混ぜられたタンクリアクター、CSTR)は計算的に効率的であるが、輸送と反応のプロセスを単純化し、予測精度と洞察を制限している。 計算流体力学(CFD)は、詳細な乱流輸送と汚染運命物理学を解き明かすが、非定常・長期シミュレーションの計算コストは禁じられている。 これらの制約に対処するため, 雨水処理における水理と粒子状物質(PM)の空間的・時間的ダイナミクスを予測するために, 最先端の演算子学習を活用する複合演算子ベースニューラルネットワーク(CPNN)フレームワークを開発した。 このフレームワークは、一般的な都市処理装置である流体力学的セパレータ(HS)上で実証される。 その結果、CPNNは95.2%のテストケースで水理予測でR2 > 0.8、72.6%でR2 > 0.8、22.6%で0.4 < R2 < 0.8を達成した。 この分析は、トレーニング損失に対する低い貢献のため、極端な低フロー条件下でのダイナミックス獲得の課題を明らかにしている。 CPNNの自動微分能力の爆発により,嵐イベントの負荷がPM輸送に与える影響を定量的に分析した。 最後に, 連続的, 長期的評価のためのCPNNフレームワークの可能性について論じ, 強固で気候に配慮した計画と実施に向けた一歩を踏み出した。

関連論文リスト

• Deep learning for predicting hauling fleet production capacity under uncertainties in open pit mines using real and simulated data [0.0]
  本稿では,実世界の運用記録と合成機械的破壊シナリオを融合したディープラーニングフレームワークを提案する。 XGBoost回帰器は14.3%の絶対誤差(MedAE)と15.1%のLong Short-Term Memoryネットワークの2つのアーキテクチャを評価した。
  論文  参考訳（メタデータ） (2025-06-04T12:12:56Z)
• SEN12-WATER: A New Dataset for Hydrological Applications and its Benchmarking [40.996860106131244]
  気候と干ばつの増加は、世界中の水資源管理に重大な課題をもたらしている。 本稿では,干ばつ関連分析のためのエンドツーエンドディープラーニングフレームワークを用いたベンチマークとともに,新しいデータセットであるSEN12-WATERを提案する。
  論文  参考訳（メタデータ） (2024-09-25T16:50:59Z)
• 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)
• AirPhyNet: Harnessing Physics-Guided Neural Networks for Air Quality Prediction [40.58819011476455]
  本稿では,空気質予測のための物理誘導ニューラルネットワーク(AirPhyNet)という新しいアプローチを提案する。 我々は、空気粒子移動(拡散と対流)の2つの確立された物理原理を微分方程式ネットワークとして表現することで活用する。 2つの実世界のベンチマークデータセットの実験では、AirPhyNetがさまざまなテストシナリオの最先端モデルを上回っていることが示されている。
  論文  参考訳（メタデータ） (2024-02-06T07:55:54Z)
• Graph Neural Networks for Pressure Estimation in Water Distribution Systems [44.99833362998488]
  水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。 物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。 我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
  論文  参考訳（メタデータ） (2023-11-17T15:30:12Z)
• MaxFloodCast: Ensemble Machine Learning Model for Predicting Peak Inundation Depth And Decoding Influencing Features [0.8497188292342053]
  本研究は、ハリス郡の物理に基づく流体力学シミュレーションに基づいて訓練された機械学習モデルMaxFloodCastを実証する。 MaxFloodCastは、効率的かつ解釈可能な浸水深度予測を提供する。
  論文  参考訳（メタデータ） (2023-08-11T16:58:57Z)
• Deep Learning Hydrodynamic Forecasting for Flooded Region Assessment in Near-Real-Time (DL Hydro-FRAN) [1.7942265700058984]
  本研究では,複数のディープニューラルネットワーク(DNN)アーキテクチャが流体流動モデルの最適化に適しているかを検討する。 2次元HEC-RAS流体力学モデルを用いて, 低解像度の都市環境下で数回の急激な洪水現象をシミュレーションした。 以上の結果から,DNNは洪水モデルを大幅に最適化し,ほぼリアルタイムに洪水を予測できることが示唆された。
  論文  参考訳（メタデータ） (2023-05-20T01:06:50Z)
• Implementation of the Critical Wave Groups Method with Computational Fluid Dynamics and Neural Networks [0.0]
  本稿では,極端船舶の応答の正確かつ効率的な予測のための新しい枠組みを提案する。 新しいフレームワークは、計算コストの2桁の削減で、純粋にCFD駆動のフレームワークを表す予測を生成することができる。
  論文  参考訳（メタデータ） (2023-01-24T06:14:58Z)
• 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)

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。