論文の概要: Leveraging Advanced Machine Learning to Predict Turbulence Dynamics from Temperature Observations at an Experimental Prescribed Fire
- arxiv url: http://arxiv.org/abs/2507.11012v1
- Date: Tue, 15 Jul 2025 06:07:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-16 19:46:02.998628
- Title: Leveraging Advanced Machine Learning to Predict Turbulence Dynamics from Temperature Observations at an Experimental Prescribed Fire
- Title（参考訳）: 予報実験における温度観測からの乱流ダイナミクス予測のための先進機械学習の活用
- Authors: Dipak Dulal, Joseph J. Charney, Michael R. Gallagher, Pitambar Acharya, Carmeliza Navasca, Nicholas S. Skowronski,
- Abstract要約: 本研究では、より容易に得られた温度データから乱流運動エネルギー(TKE)を予測する可能性を探る。
機械学習モデルを用いて温度摂動からTKEを予測する。
結果は、特に回帰モデルから、TKEを正確に予測する上で大きな成功を収めた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study explores the potential for predicting turbulent kinetic energy (TKE) from more readily acquired temperature data using temperature profiles and turbulence data collected concurrently at 10 Hz during a small experimental prescribed burn in the New Jersey Pine Barrens. Machine learning models, including Deep Neural Networks, Random Forest Regressor, Gradient Boosting, and Gaussian Process Regressor, were employed to assess the potential to predict TKE from temperature perturbations and explore temporal and spatial dynamics of correlations. Data visualization and correlation analyses revealed patterns and relationships between thermocouple temperatures and TKE, providing insight into the underlying dynamics. More accurate predictions of TKE were achieved by employing various machine learning models despite a weak correlation between the predictors and the target variable. The results demonstrate significant success, particularly from regression models, in accurately predicting the TKE. The findings of this study demonstrate a novel numerical approach to identifying new relationships between temperature and airflow processes in and around the fire environment. These relationships can help refine our understanding of combustion environment processes and the coupling and decoupling of fire environment processes necessary for improving fire operations strategy and fire and smoke model predictions. The findings of this study additionally highlight the valuable role of machine learning techniques in analyzing the complex large datasets of the fire environments, showcasing their potential to advance fire research and management practices.
- Abstract（参考訳）: 本研究では,ニュージャージー・パイン・バレンズの小規模実験所定燃焼において,温度分布と10Hzで同時に収集した乱流データを用いて,より容易に得られた温度データから乱流運動エネルギー(TKE)を予測する可能性について検討した。
Deep Neural Networks、Random Forest Regressor、Gradient Boosting、Gaussian Process Regressorなどの機械学習モデルを使用して、温度摂動からTKEを予測する可能性を評価し、相関関係の時間的および空間的ダイナミクスを探索した。
データビジュアライゼーションと相関分析により、熱電対温度とTKEの関係が明らかになった。
TKEのより正確な予測は、予測子とターゲット変数の相関が弱いにもかかわらず、様々な機械学習モデルを用いて達成された。
結果は、特に回帰モデルから、TKEを正確に予測する上で大きな成功を収めた。
本研究は, 火災環境中および周辺部における気温と気流過程の新たな関係を明らかにするための, 新たな数値的アプローチを示すものである。
これらの関係は、燃焼環境プロセスの理解を深め、消防活動戦略の改善や火災・煙モデル予測に必要な火災環境プロセスの結合と分離を促進するのに役立ちます。
本研究は, 火災環境の複雑な大規模データセットを解析し, 火災研究と管理を進展させる可能性を示す上で, 機械学習技術が重要な役割を担っていることを明らかにするものである。
関連論文リスト
- Predictive Modeling of Effluent Temperature in SAT Systems Using Ambient Meteorological Data: Implications for Infiltration Management [0.0]
本研究は,シャフダン・SATシステム・リチャージ盆地の上層における流動温度の予測モデルを開発し,評価した。
その結果, 浸透流の温度分布を管理する上で, 季節的温度周期と表土温度の重要性が明らかになった。
論文 参考訳（メタデータ） (2025-07-05T14:20:09Z) - Exploring the Impact of Temperature Scaling in Softmax for Classification and Adversarial Robustness [8.934328206473456]
この研究は「温度」として知られるソフトマックス関数内でしばしば見過ごされるパラメータを掘り下げる。
畳み込みニューラルネットワークとトランスフォーマーを採用した我々の実証研究は、温暖化によって全体的なパフォーマンスが向上することを示した。
一般的な腐敗に対するモデルロバスト性の向上、自然摂動、そして投影されたグラディエント・ダイスンのような非標的の敵攻撃などです。
論文 参考訳（メタデータ） (2025-02-28T00:07:45Z) - Empirical modeling and hybrid machine learning framework for nucleate pool boiling on microchannel structured surfaces [0.0]
マイクロチャネル構造表面における核沸騰に関する新しい経験的相関式が提案されている。
本研究では,マイクロチャネル構造面データセット上での機械学習(ML)アルゴリズムとディープニューラルネットワーク(DNN)についても検討する。
論文 参考訳（メタデータ） (2025-01-28T11:36:09Z) - Chemical Reaction Neural Networks for Fitting Accelerating Rate Calorimetry Data [37.69303106863453]
化学反応ニューラルネットワーク(CRNN)は、モリセル21700 P45Bから得られたARCデータにN方程式のアレニウスODEの運動パラメータを適合させるために訓練される。
この手法の柔軟性は、2方程式と4方程式のモデルを用いて実験することによって実証される。
論文 参考訳（メタデータ） (2024-08-21T20:39:41Z) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。
深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。
本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-06T10:02:49Z) - A Mathematical Model of the Hidden Feedback Loop Effect in Machine Learning Systems [44.99833362998488]
意図しない隠れフィードバックループに起因するいくつかの現象を共同で記述するために,繰り返し学習プロセスを導入する。
このような繰り返し学習設定の特徴は、環境の状態が時間とともに学習者自身に因果的に依存することである。
本稿では,繰り返し学習過程の力学系モデルを提案し,正および負のフィードバックループモードに対する確率分布の制限セットを証明した。
論文 参考訳（メタデータ） (2024-05-04T17:57:24Z) - Comparing Data-Driven and Mechanistic Models for Predicting Phenology in
Deciduous Broadleaf Forests [47.285748922842444]
我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。
このアプローチは従来のプロセスベースのモデルよりも優れています。
論文 参考訳（メタデータ） (2024-01-08T15:29:23Z) - Exploring and Analyzing Wildland Fire Data Via Machine Learning
Techniques [0.0]
熱電対温度の10Hz時系列と乱流運動エネルギー(TKE)の相関について検討した。
風速は、ニュージャージー州のサイラス・リトル・エクスペリメント・フォレスト(Silas Little Experimental Forest)の小さな実験用火傷から収集された。
このプロジェクトは、さまざまな機械学習モデルを用いて、TKEを予測する際に高い精度を達成する。
論文 参考訳（メタデータ） (2023-11-09T03:47:49Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳（メタデータ） (2021-12-08T13:07:21Z) - Convolutional LSTM Neural Networks for Modeling Wildland Fire Dynamics [0.0]
森林火災伝播のダイナミクスをモデル化するために,畳み込み長短期記憶リカレントニューラルネットワークの有効性を評価する。
その結果,convlstmsは局所的な火災伝達イベントを捕捉できるだけでなく,火の拡散率など全体の火災動態を把握できることがわかった。
論文 参考訳（メタデータ） (2020-12-11T23:31:43Z)
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。