論文の概要: Predicting Wind Loads on Container Ships in Harbor Environments through Multi-Fidelity Modeling

• arxiv url: http://arxiv.org/abs/2604.22882v1
• Date: Fri, 24 Apr 2026 06:47:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.026156
• Title: Predicting Wind Loads on Container Ships in Harbor Environments through Multi-Fidelity Modeling
• Title（参考訳）: マルチフィデリティモデリングによる港湾環境におけるコンテナ船の風荷重予測
• Authors: Matilde Fiore, Andrea Bresciani, Miguel Alfonso Mendez, Jeroen van Beeck,
• Abstract要約: 本研究では,風荷重係数の予測のための多要素代理モデルフレームワークを提案する。 経験的相関と、オープンシーおよびハーバー環境での船舶のための単純化された詳細CFDモデルを組み合わせる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern container ships face higher wind loads due to increased windage areas, making accurate predictions of wind loads essential for mooring design. Existing empirical models, largely developed for container ships with smaller windage areas and simpler geometrical configurations than those of modern large-scale vessels, often lack accuracy and do not account for the influence of nearby structures. This study proposes a multi-fidelity surrogate modelling framework for the prediction of wind-load coefficients, combining empirical correlations with simplified and detailed CFD models for ships in open-sea and harbor environments. The approach relies on recursive co-kriging to consistently fuse information across fidelity levels, enabling accurate predictions at a reduced computational cost. A sensitivity analysis is used to identify the most influential geometric parameters, and the resulting reduced parameter space is explored through sequential sampling to efficiently construct the training database. The surrogate models are validated over a wide range of loading configurations and for two distinct harbor environments. The results demonstrate that the multi-fidelity approach significantly improves prediction accuracy compared to single-fidelity models, while substantially reducing the reliance on high-fidelity simulations. In particular, the proposed framework captures the dependence of wind loads on key geometric parameters and consistently outperforms traditional empirical correlations, providing a robust and efficient tool for engineering applications.
• Abstract（参考訳）: 現代のコンテナ船は、風量の増加により、より高い風荷重に直面しており、風荷重の正確な予測は、設計に欠かせないものである。 既存の経験的なモデルは、現在の大型船よりも小さな巻線面積と単純な幾何学的な構成を持つコンテナ船向けに開発されており、しばしば正確性に欠け、近くの構造物の影響を考慮していない。 本研究では, 風荷重係数の予測のための多要素代理モデルフレームワークを提案し, 経験的相関とオープンシーおよびハーバー環境における船舶の簡易かつ詳細なCFDモデルを組み合わせた。 このアプローチは、再帰的コクリギング(recursive co-kriging)に依存して、忠実度レベルにわたって情報を一貫して融合し、計算コストの削減による正確な予測を可能にする。 感度解析を用いて最も影響力のある幾何パラメータを同定し、結果の減少したパラメータ空間をシーケンシャルサンプリングにより探索し、トレーニングデータベースを効率的に構築する。 シュロゲートモデルは、広範囲のロード構成と2つの異なる港環境に対して検証される。 その結果,マルチ忠実度手法は単一忠実度モデルと比較して予測精度を著しく向上し,高忠実度シミュレーションへの依存を著しく低減することを示した。 特に, 提案フレームワークは, 風荷重のパラメータ依存性を把握し, 従来型の経験的相関を一貫して上回り, 工学的応用のための堅牢で効率的なツールを提供する。

関連論文リスト

• Generative Augmentation of Imbalanced Flight Records for Flight Diversion Prediction: A Multi-objective Optimisation Framework [0.0]
  飛行の転換はまれであるが、航空における高影響の出来事であり、安全性と運用効率の両方において信頼性の高い予測が不可欠である。 本研究は, モデルトレーニングを向上し, 予測精度を向上させるために, 生成モデルが合成ディバージョンレコードを用いて過去の飛行データを増大させる方法について検討する。
  論文  参考訳（メタデータ） (2026-04-22T07:35:11Z)
• Target Concept Tuning Improves Extreme Weather Forecasting [51.43578341469291]
  気象予報のための深層学習モデルは、台風のような珍しいが高影響の出来事でしばしば失敗する。 既存の微調整手法は、これらの極端な出来事を見落とし、全体的なパフォーマンスを犠牲にしてそれらを過度に適合させるというトレードオフに直面します。 モデルの改良によって上記の問題を解決するための,解釈可能な概念付き微調整フレームワークであるTaCTを提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:34:05Z)
• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• Integrating Physics and Data-Driven Approaches: An Explainable and Uncertainty-Aware Hybrid Model for Wind Turbine Power Prediction [1.1270209626877075]
  風力エネルギーセクターの急速な成長は、タービンの運転を最適化する緊急の必要性を浮き彫りにしている。 伝統的な経験的モデルと物理学に基づくモデルは、風速に基づく発電の近似予測を提供する。 データ駆動機械学習手法は、風力タービンモデリングを改善するための有望な道を示す。
  論文  参考訳（メタデータ） (2025-02-11T08:16:48Z)
• Prithvi WxC: Foundation Model for Weather and Climate [2.9230020115516253]
  Prithvi WxCは、Modern-Era Retrospective Analysis for Research and Applications, Version 2 (MERRA-2)から160変数を用いて開発された23億のパラメータ基盤モデルである。 このモデルは、異なる位相の気象現象を微細な解像度でモデル化するために、大きなトークン数に対応できるように設計されている。 本稿では, 自動回帰ロールアウト予測, ダウンスケーリング, 重力波フラックスパラメータ化, エクストリームイベント推定など, 課題のある下流タスクのセットでモデルを検証する。
  論文  参考訳（メタデータ） (2024-09-20T15:53:17Z)
• Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
  パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。 深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。 本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-06T10:02:49Z)
• Deep learning modelling of manufacturing and build variations on multi-stage axial compressors aerodynamics [0.0]
  本稿では,多段軸圧縮機の流れ場および空力特性予測のためのディープラーニングフレームワークの開発と応用について述べる。 物理に基づく次元還元アプローチは、流れ場予測の可能性を解き放つ。 提案したアーキテクチャは,産業関連アプリケーションに対して,CFDベンチマークに匹敵する精度をリアルタイムに達成できることが証明されている。
  論文  参考訳（メタデータ） (2023-10-06T14:11:21Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)

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。