論文の概要: WindMiL: Equivariant Graph Learning for Wind Loading Prediction

• arxiv url: http://arxiv.org/abs/2511.01226v1
• Date: Mon, 03 Nov 2025 04:55:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.122427
• Title: WindMiL: Equivariant Graph Learning for Wind Loading Prediction
• Title（参考訳）: WindMiL: 風荷重予測のための等価グラフ学習
• Authors: Themistoklis Vargiemezis, Charilaos Kanatsoulis, Catherine Gorlé,
• Abstract要約: WindMiLは、体系的なデータセット生成と対称性を考慮したグラフニューラルネットワーク(GNN)を組み合わせた、新しい機械学習フレームワークである。 系統的なデータセットを同変サロゲートと組み合わせることで、WindMiLは建物の風荷重の効率的でスケーラブルで正確な予測を可能にする。
• 参考スコア（独自算出の注目度）: 0.21847754147782886
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate prediction of wind loading on buildings is crucial for structural safety and sustainable design, yet conventional approaches such as wind tunnel testing and large-eddy simulation (LES) are prohibitively expensive for large-scale exploration. Each LES case typically requires at least 24 hours of computation, making comprehensive parametric studies infeasible. We introduce WindMiL, a new machine learning framework that combines systematic dataset generation with symmetry-aware graph neural networks (GNNs). First, we introduce a large-scale dataset of wind loads on low-rise buildings by applying signed distance function interpolation to roof geometries and simulating 462 cases with LES across varying shapes and wind directions. Second, we develop a reflection-equivariant GNN that guarantees physically consistent predictions under mirrored geometries. Across interpolation and extrapolation evaluations, WindMiL achieves high accuracy for both the mean and the standard deviation of surface pressure coefficients (e.g., RMSE $\leq 0.02$ for mean $C_p$) and remains accurate under reflected-test evaluation, maintaining hit rates above $96\%$ where the non-equivariant baseline model drops by more than $10\%$. By pairing a systematic dataset with an equivariant surrogate, WindMiL enables efficient, scalable, and accurate predictions of wind loads on buildings.
• Abstract（参考訳）: 建物への風荷重の正確な予測は構造安全と持続可能な設計に不可欠であるが、風洞試験や大型渦流シミュレーション(LES)といった従来の手法は大規模な探査には極めて高価である。 それぞれのLESケースは、通常24時間以上の計算を必要とするため、包括的なパラメトリック研究は不可能である。 我々は、系統的なデータセット生成と対称性を考慮したグラフニューラルネットワーク(GNN)を組み合わせた、新しい機械学習フレームワークWindMiLを紹介する。 まず, 低層建築物における風荷重の大規模データセットについて, 屋上ジオメトリーに符号付き距離関数補間を適用し, 風向や形状の異なる462ケースのLESシミュレーションを行った。 第2に, 反射同変GNNを開発し, 反射同変GNNを用いて物理的に一貫した予測を行う。 補間および補間評価全般において、WindMiLは表面圧力係数の平均偏差と標準偏差(例えば、RMSE$\leq 0.02$、平均C_p$)に対して高い精度を達成し、非等変ベースラインモデルが10\%以上低下した場合の9,6\%以上のヒット率を維持しながら、反射試験評価の下でも精度を保っている。 系統的なデータセットを同変サロゲートと組み合わせることで、WindMiLは建物の風荷重の効率的でスケーラブルで正確な予測を可能にする。

関連論文リスト

• VIKING: Deep variational inference with stochastic projections [48.946143517489496]
  変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。 パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。 これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
  論文  参考訳（メタデータ） (2025-10-27T15:38:35Z)
• Evaluation of Machine and Deep Learning Techniques for Cyclone Trajectory Regression and Status Classification by Time Series Data [0.0]
  従来の数値天気予報モデルは、計算集約的であり、大気系のカオス的な性質のためにエラーを起こしやすい。 本研究では,全国ハリケーンセンターの時系列データを用いて,熱帯性サイクロン軌道の予測と状況に対する機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-29T00:51:07Z)
• Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [55.95767828747407]
  分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。 学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。 また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
  論文  参考訳（メタデータ） (2025-02-14T03:26:57Z)
• Efficient modeling of sub-kilometer surface wind with Gaussian processes and neural networks [0.0]
  風は、その空間的および時間的変動が高いため、モデルにとって特に困難な変数である。 本稿では,ガウス過程とニューラルネットワークを統合した表面風洞をサブキロメートル分解能でモデル化する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-21T09:07:47Z)
• From Reactive to Proactive Volatility Modeling with Hemisphere Neural Networks [0.0]
  我々は,新しいニューラルネットワークアーキテクチャを用いて,マクロ経済密度予測のための最大推定値(MLE)を再活性化する。 ヘミスフィアニューラルネットワーク(HNN)は、可能時の主指標に基づく積極的なボラティリティ予測と、必要時の過去の予測誤差の大きさに基づく反応性ボラティリティ予測を提供する。
  論文  参考訳（メタデータ） (2023-11-27T21:37:50Z)
• 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)
• $\clubsuit$ CLOVER $\clubsuit$: Probabilistic Forecasting with Coherent Learning Objective Reparameterization [42.215158938066054]
  MQForecasterニューラルネットワークアーキテクチャを多変量ガウス因子モデルで拡張し,構築によるコヒーレンスを実現する。 我々はこの手法をCLOVER(Coherent Learning Objective Reparametrization Neural Network)と呼ぶ。 CLOVERは最先端のコヒーレント予測手法と比較して,スケールしたCRPS予測精度が15%向上した。
  論文  参考訳（メタデータ） (2023-07-19T07:31:37Z)
• Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
  イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。 我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。 最適設計と性能は場所によって異なることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:55:10Z)
• Data-Driven Wind Turbine Wake Modeling via Probabilistic Machine Learning [0.0]
  実世界の光検出・測光(LiDAR)を用いて風車ウェイクを計測し,機械学習を用いて予測的代理モデルを構築する。 提案手法は,高忠実度物理シミュレーションで生成したものよりも安価で高精度に問い合わせることができる風車流速場を高精度に近似するものである。
  論文  参考訳（メタデータ） (2021-09-06T14:46:20Z)

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。