論文の概要: Physics-informed Graph Neural Networks for Operational Flood Modeling

• arxiv url: http://arxiv.org/abs/2512.23964v1
• Date: Tue, 30 Dec 2025 03:32:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.269363
• Title: Physics-informed Graph Neural Networks for Operational Flood Modeling
• Title（参考訳）: 物理インフォームドグラフニューラルネットワークによる洪水モデルの構築
• Authors: Carlo Malapad Acosta, Herath Mudiyanselage Viraj Vidura Herath, Jia Yu Lim, Abhishek Saha, Sanka Rasnayaka, Lucy Marshall,
• Abstract要約: 洪水モデルは洪水の流体力学をシミュレートすることで戦略的災害管理を通知する。 グラフニューラルネットワーク(GNN)で設計されたモデルは、非構造化ドメインを処理しながら、速度と精度の両方を提供する。 本研究では,グローバルスケールとローカルスケールの両方に物理的制約を埋め込んだ新しいフラッドGNNアーキテクチャであるFloodGNNを紹介する。
• 参考スコア（独自算出の注目度）: 0.018658735819811274
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flood models inform strategic disaster management by simulating the spatiotemporal hydrodynamics of flooding. While physics-based numerical flood models are accurate, their substantial computational cost limits their use in operational settings where rapid predictions are essential. Models designed with graph neural networks (GNNs) provide both speed and accuracy while having the ability to process unstructured spatial domains. Given its flexible input and architecture, GNNs can be leveraged alongside physics-informed techniques with ease, significantly improving interpretability. This study introduces a novel flood GNN architecture, DUALFloodGNN, which embeds physical constraints at both global and local scales through explicit loss terms. The model jointly predicts water volume at nodes and flow along edges through a shared message-passing framework. To improve performance for autoregressive inference, model training is conducted with a multi-step loss enhanced with dynamic curriculum learning. Compared with standard GNN architectures and state-of-the-art GNN flood models, DUALFloodGNN achieves substantial improvements in predicting multiple hydrologic variables while maintaining high computational efficiency. The model is open-sourced at https://github.com/acostacos/dual_flood_gnn.
• Abstract（参考訳）: 洪水モデルは洪水の時空間流体力学をシミュレートすることで戦略的災害管理に役立てる。 物理に基づく数値洪水モデルは正確であるが、その計算コストは、迅速な予測が不可欠である運用環境での使用を制限する。 グラフニューラルネットワーク(GNN)で設計されたモデルは、非構造化空間領域を処理しながら、速度と精度の両方を提供する。 フレキシブルなインプットとアーキテクチャを考えると、GNNは物理インフォームド技術とともに簡単に利用でき、解釈可能性を大幅に改善できる。 本研究では,グローバルスケールとローカルスケールの両方の物理的制約を明示的な損失項で埋め込んだ新しいフラッドGNNアーキテクチャであるDUALFloodGNNを紹介する。 このモデルは、ノードにおける水の体積を共同で予測し、共有メッセージパッシングフレームワークを通じてエッジに沿って流れる。 自己回帰推論の性能を向上させるために、動的カリキュラム学習により強化された多段階の損失でモデルトレーニングを行う。 標準のGNNアーキテクチャや最先端のGNNフラッドモデルと比較して、DUALFloodGNNは高い計算効率を維持しつつ、複数の水文学変数の予測を大幅に改善する。 モデルはhttps://github.com/acostacos/dual_flood_gnn.comで公開されている。

関連論文リスト

• NN-Former: Rethinking Graph Structure in Neural Architecture Representation [67.3378579108611]
  グラフニューラルネットワーク(GNN)とトランスフォーマーは、ニューラルネットワークを表現する上で有望なパフォーマンスを示している。 これまでの研究で見過ごされている間、兄弟ノードは中心的であることを示す。 我々のアプローチは、精度と遅延予測の両方において、常に有望な性能を達成する。
  論文  参考訳（メタデータ） (2025-07-01T15:46:18Z)
• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• Graph neural network-based surrogate modelling for real-time hydraulic prediction of urban drainage networks [1.8073031015436376]
  物理モデルに基づくモデルは、計算に時間がかかり、都市排水網のリアルタイムシナリオには有効ではない。 完全に接続されたニューラルネットワーク(NN)は、潜在的な代理モデルであるが、複雑なターゲットに適合する際の解釈可能性と効率の低下に悩まされる可能性がある。 本研究は, 排水網の水理予測問題に対する流路モデルのGNNに基づくサロゲートを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:08:04Z)
• Interpretable A-posteriori Error Indication for Graph Neural Network Surrogate Models [0.0]
  本稿では,グラフニューラルネットワーク(GNN)の解釈可能性向上手法を提案する。 最終結果は、予測タスクに本質的に関連付けられたサブグラフに対応する物理空間内の領域を分離する解釈可能なGNNモデルである。 解釈可能なGNNは、推論中に予測される予測エラーの大部分に対応するグラフノードを特定するためにも使用できる。
  論文  参考訳（メタデータ） (2023-11-13T18:37:07Z)
• Learning CO$_2$ plume migration in faulted reservoirs with Graph Neural Networks [0.3914676152740142]
  我々は,CO$$ plumeマイグレーションに対する断層の影響を捉えるグラフベースのニューラルモデルを開発した。 本研究では, 断層を有する合成貯留層において, ガス飽和度と細孔圧力の経時的変化を正確に予測できることを実証した。 この研究は、複雑な断層と破壊を伴う地下流れを正確にかつ迅速にモデル化するためのGNNベースの手法の可能性を強調している。
  論文  参考訳（メタデータ） (2023-06-16T06:47:47Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• CAP: Co-Adversarial Perturbation on Weights and Features for Improving Generalization of Graph Neural Networks [59.692017490560275]
  敵の訓練は、敵の攻撃に対するモデルの堅牢性を改善するために広く実証されてきた。 グラフ解析問題におけるGNNの一般化能力をどのように改善するかは、まだ不明である。 我々は、重みと特徴量の観点から共振器摂動(CAP)最適化問題を構築し、重みと特徴の損失を交互に平らにする交互対振器摂動アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2021-10-28T02:28:13Z)

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。