論文の概要: Integrating Newton's Laws with deep learning for enhanced physics-informed compound flood modelling

• arxiv url: http://arxiv.org/abs/2507.15021v1
• Date: Sun, 20 Jul 2025 16:06:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.161907
• Title: Integrating Newton's Laws with deep learning for enhanced physics-informed compound flood modelling
• Title（参考訳）: 強化物理インフォームド複合洪水モデリングのためのニュートン法則と深層学習の統合
• Authors: Soheil Radfar, Faezeh Maghsoodifar, Hamed Moftakhari, Hamid Moradkhani,
• Abstract要約: 沿岸部では、嵐の急増、高潮、豪雨、河川の流出など、複数のドライバーが一緒に、あるいは連続して起こる複合的な洪水に直面している。 従来の流体力学モデルは正確な物理に基づくシミュレーションを提供することができるが、リアルタイムアプリケーションやリスクアセスメントにはかなりの計算資源を必要とする。 本研究では, 複合洪水モデルにおいて, 完全な浅水力学を強制する物理インフォームドニューラルネットワークフレームワークであるALPINEを開発することにより, これらの課題に対処する。
• 参考スコア（独自算出の注目度）: 0.8999666725996978
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coastal communities increasingly face compound floods, where multiple drivers like storm surge, high tide, heavy rainfall, and river discharge occur together or in sequence to produce impacts far greater than any single driver alone. Traditional hydrodynamic models can provide accurate physics-based simulations but require substantial computational resources for real-time applications or risk assessments, while machine learning alternatives often sacrifice physical consistency for speed, producing unrealistic predictions during extreme events. This study addresses these challenges by developing ALPINE (All-in-one Physics Informed Neural Emulator), a physics-informed neural network (PINN) framework to enforce complete shallow water dynamics in compound flood modeling. Unlike previous approaches that implement partial constraints, our framework simultaneously enforces mass conservation and both momentum equations, ensuring full adherence to Newton's laws throughout the prediction process. The model integrates a convolutional encoder-decoder architecture with ConvLSTM temporal processing, trained using a composite loss function that balances data fidelity with physics-based residuals. Using six historical storm events (four for training, one for validation, and one held-out for unseen testing), we observe substantial improvements over baseline neural networks. ALPINE reduces domain-averaged prediction errors and improves model skill metrics for water surface elevation and velocity components. Physics-informed constraints prove most valuable during peak storm intensity, when multiple flood drivers interact and reliable predictions matter most. This approach yields a physically consistent emulator capable of supporting compound-flood forecasting and large-scale risk analyses while preserving physical realism essential for coastal emergency management.
• Abstract（参考訳）: 沿岸部では、嵐の急増、高潮、大雨、川の流出など複数のドライバーが一緒に、あるいは連続して発生し、どのドライバーよりもはるかに大きな衝撃を発生させる、複合的な洪水に直面している。 従来の流体力学モデルは正確な物理シミュレーションを提供することができるが、リアルタイムアプリケーションやリスクアセスメントにはかなりの計算資源を必要とする。 ALPINE(All-in-one Physics Informed Neural Emulator:オールインワン物理インフォームドニューラルエミュレータ)は,複合洪水モデルにおいて完全な浅水力学を強制する物理インフォームドニューラルネットワーク(PINN)フレームワークである。 部分的制約を実装する従来のアプローチとは異なり、我々のフレームワークは同時に質量保存と両方の運動量方程式を強制し、予測過程を通してニュートンの法則を完全に守っている。 このモデルは畳み込みエンコーダ・デコーダアーキテクチャとConvLSTM時間処理を統合し、データの忠実度と物理ベースの残差とのバランスをとる複合損失関数を用いて訓練する。 6つの歴史的な嵐イベント(トレーニングに4つ、検証に1つ、未確認テストに1つ)を使用して、ベースラインニューラルネットワークよりも大幅に改善されていることを観察する。 ALPINEはドメイン平均予測エラーを低減し、水面上昇と速度成分のモデルスキルメトリクスを改善する。 物理インフォームド制約は、複数の洪水ドライバーが相互作用し、信頼できる予測が最も重要となるピーク・ストーム・インテンシティ(英語版)において最も有用であることが証明される。 本手法は,沿岸の緊急管理に不可欠な物理的現実性を維持しつつ,複合フロード予測と大規模リスク分析を支援する物理的に一貫したエミュレータを提供する。

関連論文リスト

• OmniFluids: Unified Physics Pre-trained Modeling of Fluid Dynamics [25.066485418709114]
  OmniFluidsは、物理を事前訓練した演算子学習フレームワークである。 物理学のみの事前訓練、粗い乾燥したオペレーター蒸留、および数発の微調整を統合している。 流れ場再構成や乱流統計の精度において、最先端のAI駆動手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-06-12T16:23:02Z)
• NeuralOM: Neural Ocean Model for Subseasonal-to-Seasonal Simulation [41.41450298461784]
  複雑でゆっくり変化するダイナミクスをシミュレートするための一般的なニューラル演算子フレームワークであるNeuralOMを提案する。 我々は,S2S海洋シミュレーションの課題に対してNeuralOMを検証した。 NeuralOMは、最高の性能のベースラインに比べて13.3%低いRMSEを達成する。
  論文  参考訳（メタデータ） (2025-05-27T10:54:40Z)
• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)
• Physics-Informed Neural Networks for Vessel Trajectory Prediction: Learning Time-Discretized Kinematic Dynamics via Finite Differences [1.740114131842074]
  正確な船舶軌道予測は、航行安全、経路最適化、交通管理、捜索・救助活動、自律航法に不可欠である。 従来のデータ駆動モデルは現実世界の物理的な制約を欠いているため、船体の運動力学に反する予測が導かれる。 本稿では, 血管運動の流線形運動モデルとニューラルネットワーク学習プロセスを統合した, 軌道予測のための物理情報ニューラルネットワーク (PINN) 手法を提案する。
  論文  参考訳（メタデータ） (2025-05-22T15:09:25Z)
• PINP: Physics-Informed Neural Predictor with latent estimation of fluid flows [11.102585080028945]
  そこで本研究では,物理量の結合を予測プロセスに組み込む物理インフォームドラーニング手法を提案する。 物理方程式を組み込むことで,時間外挿と空間一般化能力を示す。
  論文  参考訳（メタデータ） (2025-04-08T14:11:01Z)
• Transport-Embedded Neural Architecture: Redefining the Landscape of physics aware neural models in fluid mechanics [0.0]
  二周期領域上で定義される物理問題であるTaylor-Green vortexは、標準物理インフォームドニューラルネットワークと我々のモデルの両方の性能を評価するベンチマークとして使用される。 その結果,標準物理インフォームドニューラルネットワークは解の正確な予測に失敗し,初期条件を時間的に返却するだけでなく,物理の時間的変化をうまく捉えていることがわかった。
  論文  参考訳（メタデータ） (2024-10-05T10:32:51Z)
• 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)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Using Conservation Laws to Infer Deep Learning Model Accuracy of Richtmyer-meshkov Instabilities [0.0]
  Richtmyer-Meshkov不安定(RMI)は、衝撃波が摂動界面を通過するときに起こる複雑な現象である。 深層学習は、初期幾何学的摂動の時間的マッピングを密度と速度のフルフィールド流体力学解に学習するために用いられた。 ディープラーニングモデルからの予測は、時間的RMI生成を正確に捉えているように見える。
  論文  参考訳（メタデータ） (2022-07-19T02:20:47Z)
• 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)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)

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。