論文の概要: Optimizing Sensor Placement in Urban Storm Sewers: A Data-Driven Sparse Sensing Approach

• arxiv url: http://arxiv.org/abs/2511.04556v1
• Date: Thu, 06 Nov 2025 17:08:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.523077
• Title: Optimizing Sensor Placement in Urban Storm Sewers: A Data-Driven Sparse Sensing Approach
• Title（参考訳）: 都市雨下水道におけるセンサ配置の最適化:データ駆動スパースセンシングアプローチ
• Authors: Zihang Ding, Kun Zhang,
• Abstract要約: 本研究ではEPA-SWMMと統合したデータ駆動スパースセンシングフレームワークを提案する。 このフレームワークは計算効率と物理的解釈可能性のバランスをとり、最小限のセンサーで高精度なフロー再構成を可能にする。
• 参考スコア（独自算出の注目度）: 7.621053603127609
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Urban surface water flooding, triggered by intense rainfall overwhelming drainage systems, is increasingly frequent and widespread. While flood prediction and monitoring in high spatial-temporal resolution are desired, practical constraints in time, budget, and technology hinder its full implementation. How to monitor urban drainage networks and predict flow conditions under constrained resource is a major challenge. This study presents a data-driven sparse sensing (DSS) framework, integrated with EPA-SWMM, to optimize sensor placement and reconstruct peak flowrates in a stormwater system, using the Woodland Avenue catchment in Duluth, Minnesota, as a case study. We utilized a SWMM model to generate a training dataset of peak flowrate profiles across the stormwater network. Furthermore, we applied DSS - leveraging singular value decomposition for dimensionality reduction and QR factorization for sensor allocation - to identify the optimal monitoring nodes based on the simulated training dataset. We then validated the representativeness of these identified monitoring nodes by comparing the DSS-reconstructed peak flowrate profiles with those obtained from SWMM. Three optimally placed sensors among 77 nodes achieved satisfactory reconstruction performance with Nash-Sutcliffe Efficiency (NSE) values of 0.92-0.95 (25th to 75th percentiles). In addition, the model showed good robustness to uncertainty in measurements. Its robustness to sensor failures is location-dependent and improves with the number of sensors deployed. The framework balances computational efficiency and physical interpretability, enabling high-accuracy flow reconstruction with minimal sensors. This DSS framework can be further integrated with predictive models to realize flood early warning and real-time control under limited sensing and monitoring resource.
• Abstract（参考訳）: 激しい降雨が圧倒的に多い排水システムによって引き起こされた都市表面の洪水は、ますます頻繁に広まりつつある。 高時空間分解能での洪水予測とモニタリングが望まれるが、時間、予算、技術における実践的な制約は、その完全な実装を妨げる。 資源制約下での都市排水ネットワークの監視と流れの予測は大きな課題である。 本研究は,ミネソタ州ダルースのウッドランド・アベニュー流域を事例として,EPA-SWMMと統合されたデータ駆動スパースセンシング(DSS)フレームワークを用いて,雨水系におけるセンサ配置の最適化とピーク流量の再構築を行う。 我々は、SWMMモデルを用いて、雨水網を横断するピーク流量プロファイルのトレーニングデータセットを生成した。 さらに, DSS を用いて, シミュレーションしたトレーニングデータセットに基づく最適監視ノードの同定を行った。 次に、DSS再構成したピーク流量プロファイルとSWMMから得られたピーク流量プロファイルを比較して、これらの特定監視ノードの代表性を検証した。 77ノードのうち3つの最適配置されたセンサは、ナッシュ・サトクリフ効率(NSE)の0.92-0.95(25番目から75番目のパーセンタイル)で良好な再構築性能を達成した。 さらに, モデルが測定の不確実性に対して良好なロバスト性を示した。 センサーの故障に対する堅牢性は、位置依存であり、デプロイされるセンサーの数によって改善される。 このフレームワークは計算効率と物理的解釈可能性のバランスをとり、最小限のセンサーで高精度なフロー再構成を可能にする。 このDSSフレームワークは、限られた検知および監視リソースの下で洪水早期警告とリアルタイム制御を実現するために、予測モデルとさらに統合することができる。

関連論文リスト

• AI-Driven Forecasting and Monitoring of Urban Water System [5.652933022735071]
  地下水と排水パイプラインは市の運営に欠かせないが、漏れや浸透などの異常に悩まされている。 近年、人工知能は急速に進歩し、都市インフラにもますます応用されている。 地下パイプラインにおける漏洩検知の課題に対処する,統合型AIおよびリモートセンサフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-08T04:28:38Z)
• IoT-based Noise Monitoring using Mobile Nodes for Smart Cities [0.45671221781968324]
  本稿では,モバイルノードを用いたスケーラブルで低コストでIoTベースのリアルタイム環境騒音監視ソリューションを提案する。 このシステムは、GPS対応モジュールに統合された低コストの音響センサを使用して、ジオタグ付きノイズデータを1秒間隔で収集する。 提案システムは,スマートシティにおけるIoTベースのノイズセンシングネットワークの普及の可能性を示す。
  論文  参考訳（メタデータ） (2025-08-31T20:13:09Z)
• DeepVIVONet: Using deep neural operators to optimize sensor locations with application to vortex-induced vibrations [1.912429179274357]
  DeepVIVONetは,海面上昇器の渦誘起振動(VIV)の最適動的再構成と予測のための新しいフレームワークである。 本研究は,沖合いの海面上昇船の挙動を時空間計測により正確に再現する際のDeepVIVONetの有効性を実証する。
  論文  参考訳（メタデータ） (2025-01-07T19:29:10Z)
• Attention-Based Reconstruction of Full-Field Tsunami Waves from Sparse Tsunameter Networks [0.0]
  本研究では,津波計ネットワークから予測を生成する津波データ同化手法に着目した。 本モデルは,高分解能津波波動場を極めてスパースな観測から再構成するために用いられる。 本研究では,Huygens-Fresnel Principle を用いた線形補間により,高密度観測ネットワークの生成において,線形補間を著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2024-11-20T00:42:40Z)
• 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)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)
• From Rain Generation to Rain Removal [67.71728610434698]
  雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。 降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。 総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
  論文  参考訳（メタデータ） (2020-08-08T18:56:51Z)

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。