論文の概要: Data-driven uncertainty-aware seakeeping prediction of the Delft 372 catamaran using ensemble Hankel dynamic mode decomposition
- arxiv url: http://arxiv.org/abs/2511.04461v1
- Date: Thu, 06 Nov 2025 15:32:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-07 20:17:53.479472
- Title: Data-driven uncertainty-aware seakeeping prediction of the Delft 372 catamaran using ensemble Hankel dynamic mode decomposition
- Title（参考訳）: アンサンブルハンケルダイナミックモード分解を用いたDelft 372カタマランのデータ駆動不確実性を考慮したシーキーキング予測
- Authors: Giorgio Palma, Andrea Serani, Matteo Diez,
- Abstract要約: 本研究では, アンサンブルをベースとしたHankel Dynamic Mode Decomposition with Control (HDMDc) を提案する。
HDMDcアルゴリズムは, 時間付き複製を用いて, 状態と入力を増大させることにより, シーキーキング容器の方程式自由線形リダクションオーダーモデルを構築する。
FHDMDcアプローチは、決定論的手法と比較して予測の精度を向上し、堅牢な不確実性推定を提供する。
- 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: In this study, we present and validate an ensemble-based Hankel Dynamic Mode Decomposition with control (HDMDc) for uncertainty-aware seakeeping predictions of a high-speed catamaran, namely the Delft 372 model. Experimental measurements (time histories) of wave elevation at the longitudinal center of gravity, heave, pitch, notional flight-deck velocity, notional bridge acceleration, and total resistance were collected from irregular wave basin tests on a 1:33.3 scale replica of the Delft 372 model under sea state 5 conditions at Fr = 0.425, and organized into training, validation, and test sets. The HDMDc algorithm constructs an equation-free linear reduced-order model of the seakeeping vessel by augmenting states and inputs with their time-lagged copies to capture nonlinear and memory effects. Two ensembling strategies, namely Bayesian HDMDc (BHDMDc), which samples hyperparameters considered stochastic variables with prior distribution to produce posterior mean forecasts with confidence intervals, and Frequentist HDMDc (FHDMDc), which aggregates multiple model obtained over data subsets, are compared in providing seakeeping prediction and uncertainty quantification. The FHDMDc approach is found to improve the accuracy of the predictions compared to the deterministic counterpart, also providing robust uncertainty estimation; whereas the application of BHDMDc to the present test case is not found beneficial in comparison to the deterministic model. FHDMDc-derived probability density functions for the motions closely match both experimental data and URANS results, demonstrating reliable and computationally efficient seakeeping prediction for design and operational support.
- Abstract（参考訳）: 本研究では,高速カタマラン,すなわちDelft 372モデルの不確実性を考慮したシーキーキング予測のための,アンサンブルをベースとした制御付きハンケル動的モード分解(HDMDc)を提案し,検証する。
Fr = 0.425の海面5条件下でのDelft 372モデルの1:33.3スケールのレプリカを用いた不規則波流域実験から, 重力, ヒーブ, ピッチ, 航法速度, 航法速度, 航法速度, 航法速度, 航法速度, 航法速度, 航法速度, 総抵抗の計測を行った。
HDMDcアルゴリズムは, 非線形およびメモリ効果を捉えるために, 状態と入力を時間ラベルのコピーで増大させることにより, シーキーピング容器の方程式自由線形減階モデルを構築した。
データサブセット上で得られた複数のモデルを集約したFrequentist HDMDc (FHDMDc) と, 先行分布を持つ確率変数を標本化して, 信頼区間を持つ後部平均予測を導出するBayesian HDMDc (BHDMDc) と, シーキング予測と不確実性定量化を提供するFHDMDc (Frequentist HDMDc) の2つのアンサンブル戦略を比較した。
FHDMDcアプローチは、決定論的手法と比較して予測の精度を向上し、堅牢な不確実性推定を提供するが、BHDMDcの本試験への適用は決定論的モデルと比較して有益ではない。
FHDMDcに基づく動きの確率密度関数は実験データとURANSの結果と密接に一致し、設計および運用支援のための信頼性と計算学的に効率的な海洋維持予測を示す。
関連論文リスト
- System Identification of a Moored ASV with Recessed Moon Pool via Deterministic and Bayesian Hankel-DMDc [0.0]
本研究は, 係留条件下での小型自動表面車両 (ASV) のシステム同定に対処する。
CNR-INMの牽引タンクで、Codevintec CK-14e ASVで実験が行われた。
論文 参考訳（メタデータ） (2025-11-05T14:07:22Z) - Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。
We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
論文 参考訳（メタデータ） (2025-11-04T17:22:22Z) - Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。
Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。
しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。
我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
論文 参考訳（メタデータ） (2025-10-15T08:41:36Z) - Model-free system identification of surface ships in waves via Hankel dynamic mode decomposition with control [0.0]
本研究は,ハンケル動的モード分解と制御(ハンケル-DMDc)を紹介し,比較する。
提案手法は,システム状態と入射波の上昇履歴から得られた限られたデータを用いて,低次モデルを生成する。
その結果,提案手法は解析の力学系を効果的に同定できることが示唆された。
論文 参考訳（メタデータ） (2025-02-17T11:11:14Z) - Bayesian dynamic mode decomposition for real-time ship motion digital twinning [0.0]
本稿では, 船体動特性の予測ツールとして, ハンケル・ダイナミックモード分解法のベイズ拡張を提案する。
提案アルゴリズムは, デジタルツインニングに係わる定式化の要件をすべて満たし, 物理系からデータを取得することにより, 結果のモデルを適応させることができる。
3種類のCFDソルバのデータを用いて,Fr = 0.33 におけるビームベース海洋7不規則波の5415Mモデルの軌道維持について検討した。
論文 参考訳（メタデータ） (2024-11-22T10:25:44Z) - Analysis, forecasting and system identification of a floating offshore wind turbine using dynamic mode decomposition [0.0]
本稿では, 動的モード分解(DMD)を応用したヘキサフロート浮揚風力タービンの動特性の, データ駆動式フリーモデリングについて述べる。
そこで,DMD は,システム同定と秩序の低減のために,システム状態の即時的知識から短期的な予測を行うために,i) 動的システムから知識を抽出するために,i) モーダル解析(ii) を用いている。
結果は、短期予測とシステム同定のためのアプローチの能力を示し、リアルタイム連続学習デジタルツインニングの可能性を示し、データ駆動型縮小順序モデリングを代理する。
論文 参考訳（メタデータ） (2024-11-08T18:38:29Z) - CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
本研究は認知拡散確率モデル(CogDPM)を紹介する。
CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。
我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
論文 参考訳（メタデータ） (2024-05-03T15:54:50Z) - Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。
モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。
BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
論文 参考訳（メタデータ） (2023-07-04T16:45:21Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Machine-Learned HASDM Model with Uncertainty Quantification [0.0]
我々は、安定かつ確実な不確実性推定を伴う最初の熱圏中性質量密度モデルを開発した。
我々は、最も優れたHASDM-MLモデルと、米空軍の高精度衛星ドラッグモデルデータベースを比較した。
このモデルは、すべての宇宙気象条件における密度空間の堅牢で確実な不確実性を提供する。
論文 参考訳（メタデータ） (2021-09-16T01:06:44Z) - Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。
設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。
合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文 参考訳（メタデータ） (2020-06-08T07:01:38Z)
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。