論文の概要: FLOATBench: A Dataset and Benchmark for Floating Offshore Wind Turbine Tower Fatigue

• arxiv url: http://arxiv.org/abs/2605.25717v1
• Date: Mon, 25 May 2026 11:18:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.833761
• Title: FLOATBench: A Dataset and Benchmark for Floating Offshore Wind Turbine Tower Fatigue
• Title（参考訳）: FLOATBench:オフショア風車タワー疲労のデータセットとベンチマーク
• Abstract要約: FLOATBenchは, フローティングオフショア風力タービン(FOWT)3基にわたる疲労損傷ラベルの一般ベンチマークである。 FLOATBenchは、ジョイント・ウィンド/ウェーブ・オペレーティング・エンベロープのシステマ対応アルファ形状のパーティションを含み、試験点をイントレイン、外挿レジームに成層する。 ルール対応プロトコルは、ランダムなリーダーボードが検出できないグローバルパフォーマンスとグローバルパフォーマンスのランクシフトを明らかにする。
• 参考スコア（独自算出の注目度）: 3.312613459249274
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most of the world's offshore wind resource lies in waters too deep for fixed-bottom foundations, making floating offshore wind turbines (FOWTs) essential for deep-water deployment. As the industry scales toward $22$ MW class designs, tower fatigue becomes increasingly critical because larger structures amplify the coupled aero-hydro-servo-elastic loads induced by continuous wind and wave excitation. Accurate fatigue-damage prediction is therefore central to certification, design optimization, and cost reduction. Yet the field lacks a shared surrogate benchmark: studies report different simulations, splits, and metrics, making methods difficult to compare. We present FLOATBench, a public tabular benchmark with $582{,}120$ per-section fatigue-damage labels across three $22$ MW FOWT tower geometries, derived from $19{,}404$ high-fidelity OpenFAST simulations across the three towers ($6{,}468$ per tower: $1{,}078$ aligned wind/wave operating points $\times$ six turbulence seeds), labeled at $30$ cross-sections per tower. FLOATBench includes a regime-aware alpha-shape partition of the joint wind/wave operating envelope, stratifying test points into in-train, interpolation, and extrapolation regimes. It is paired with a reproducible evaluation harness covering three protocol levels: random validation (E1), within-tower regime-aware evaluation (E2), and cross-tower transfer (E3). The regime-aware protocol reveals rank shifts between global and extrapolation performance that random-split leaderboards cannot detect. To the authors' knowledge, FLOATBench is the first FOWT fatigue benchmark for tabular surrogate modeling, and offers an evaluation protocol that generalizes to engineering surrogates defined over physical operating envelopes. Dataset and code available at: https://github.com/Joao97ribeiro/FLOATBench.
• Abstract（参考訳）: 世界のオフショア風力資源の大部分は、固定底の基盤となるには深すぎる水域にあり、深海展開には浮かぶオフショア風力タービン(FOWT)が不可欠である。 産業規模が22 MW級に拡大するにつれて、大きな構造が連続風と波動の励振によって引き起こされるエアロ・サーボ弾性負荷を増幅するため、塔の疲労がますます深刻になる。 したがって、正確な疲労損傷予測は、認証、設計最適化、コスト削減の中心である。 研究は異なるシミュレーション、分割、メトリクスを報告し、メソッドの比較を困難にしている。 FLOATBench, a public tabular benchmark with $582{,}120$ persection exhaust-damage labels across three $22$ MW FOWT tower geometries, derived from $119{,}404$ high-fidelity OpenFAST Simulations across the three towers (6{,}468$ per tower: $1{,}078$ aligned wind/wave operating points $\times$ six turbulence seed)。 FLOATBenchは、ジョイント・ウィンド/ウェーブ・オペレーティング・エンベロープのシステマ対応アルファ形状のパーティションを含み、試験点をイントレイン、補間、外挿体制に成層化している。 ランダム・検証(E1)、イントラ・トウワー・アウェア・アウェア・アセスメント(E2)、クロス・トウワー・トランスファー(E3)の3つのプロトコルレベルをカバーする再現可能な評価ハーネスとペアリングする。 ルール対応プロトコルは、ランダムに分割されたリーダーボードが検出できないグローバルと外挿のパフォーマンスのランクシフトを明らかにする。 著者の知る限り、FLOATBenchは表層代理モデリングのための最初のFOWT疲労ベンチマークであり、物理的な操作エンベロープ上で定義されたエンジニアリングサロゲートに一般化する評価プロトコルを提供する。 データセットとコードは、https://github.com/Joao97ribeiro/FLOATBench.comで入手できる。

関連論文リスト

• Benchmarking Deep Learning Models for Dense Event Classification of Offshore Wind Infrastructure in Sentinel-1 Time Series [0.3823356975862005]
  本研究では,Sentinel-1をベースとしたオフショア風力インフラ時系列の高密度分類のための10種類の深層学習モデル学習モデルの比較を行った。 このうち、監督されたBiLSTMは、AUCスコアを0.7853から0.8509に引き上げ、完全一致率は0.3508から0.5063に引き上げる。 これらの改良されたラベルを用いて、各タービンのグローバルスケールでの展開フェーズを分離し、地域別および地域別分析を行う。
  論文  参考訳（メタデータ） (2026-08-05T11:17:49Z)
• RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
  固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。 本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。 累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
  論文  参考訳（メタデータ） (2026-06-23T02:11:04Z)
• Time series Foundation Models based on Physics-Informed Synthetic Histories for Cold-Start Photovoltaic Forecasting [45.753923525593045]
  評価は4つのデータセットと多様な気候体制にまたがる440ドルのPVサイトに及んでいる。 性能は、合成履歴源にはほとんど敏感であり、精度は特定の発生器よりも、可視的時間的文脈の可用性によってより引き起こされることを示している。
  論文  参考訳（メタデータ） (2026-06-05T17:05:19Z)
• Empowering VLMs for Few-Shot Multimodal Time Series Classification via Tailored Agentic Reasoning [44.69766273765273]
  VL$underlinetextbfM$$underlinetextbfa$gentic $underlinetextbfr$easoning framework for few-$underlinetextbfs$hot multimodal $underlinetextbfT$ime $underlinetextbfS$eries $underlinetextbfC$lassification$textbfMarsTSC$(source)を提案する。
  論文  参考訳（メタデータ） (2026-05-10T07:47:09Z)
• KAN-FIF: Spline-Parameterized Lightweight Physics-based Tropical Cyclone Estimation on Meteorological Satellite [22.99496587694237]
  熱帯性サイクロンのタイムリーなモニタリングは、生命と財産の損失を減らすために重要である。 現在の物理誘導モデルは、TC属性間の高次関係を捕捉できない線形特徴相互作用に悩まされている。 本研究では,KAN-FIF(Kolmogorov-Arnold Network-based Network-based Interaction Feature Framework)を紹介する。
  論文  参考訳（メタデータ） (2026-02-12T16:07:39Z)
• TMS: Trajectory-Mixed Supervision for Reward-Free, On-Policy SFT [42.39480783930987]
  Reinforcement Learning (RL) と Supervised Fine-Tuning (SFT) は、下流タスクにおいてLLM(Large Language Model) のパフォーマンスを向上させる2つの主要なパラダイムである。 対照的に、SFT は効率的だが脆く、しばしば $textbf Supervision Mismatch$ による破滅的な忘れ込みに悩まされる。 我々は、このトレードオフを、モデル自身の過去のチェックポイントから動的カリキュラムを作成することで、RLのオンラインメリットを近似する報酬のないフレームワークであるtextbfTrajectory-Mixed Supervision (TMS)$で解決する。
  論文  参考訳（メタデータ） (2026-02-03T04:01:26Z)
• WindMiL: Equivariant Graph Learning for Wind Loading Prediction [0.21847754147782886]
  WindMiLは、体系的なデータセット生成と対称性を考慮したグラフニューラルネットワーク(GNN)を組み合わせた、新しい機械学習フレームワークである。 系統的なデータセットを同変サロゲートと組み合わせることで、WindMiLは建物の風荷重の効率的でスケーラブルで正確な予測を可能にする。
  論文  参考訳（メタデータ） (2025-11-03T04:55:08Z)
• MobileGeo: Exploring Hierarchical Knowledge Distillation for Resource-Efficient Cross-view Drone Geo-Localization [47.16612614191333]
  クロスビューなジオローカライゼーションにより、航空画像とジオタグ付き衛星データベースとのマッチングによるドローンのローカライゼーションが可能になる。 MobileGeoは、デバイス上の効率的なCVGL用に設計されたモバイルフレンドリーなフレームワークである。 MobileGeoはNVIDIA AGX Orinエッジデバイス上で251.5FPSで動作する。
  論文  参考訳（メタデータ） (2025-10-26T08:47:20Z)
• Hybrid Autoencoder-Based Framework for Early Fault Detection in Wind Turbines [0.7156193707786874]
  本稿では,風力タービンにおける教師なし異常検出のためのアンサンブルに基づく新しいディープラーニングフレームワークを提案する。 提案手法は, 0.947のAUC-ROCを実現し, 故障の48時間前に早期故障検出を行う。 このアプローチは、予測的メンテナンスを可能にし、タービンの故障を低減し、大規模風力エネルギー展開における運用効率を向上することで、社会的な価値を著しく高める。
  論文  参考訳（メタデータ） (2025-10-16T10:49:19Z)
• Wind Speed Forecasting Based on Data Decomposition and Deep Learning Models: A Case Study of a Wind Farm in Saudi Arabia [0.0]
  風力発電は常に風速のボラティリティによる不確実性を伴う。 風速予測(WSF)は電力グリッドのディスパッチ、安定性、制御性に不可欠である。 本研究では,ハイブリッド分解法に基づく定常データのための新しいWSFフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-17T22:04:46Z)
• Accelerated Bayesian parameter estimation and model selection for gravitational waves with normalizing flows [4.232577149837663]
  本稿では,ハイパフォーマンスな計算手法と正規化フローに基づく高速化パイプラインを提案し,ベイジアンパラメータ推定とモデル選択を行う。 私たちのコードは、十分にテストされ、完全にドキュメント化されたオープンソースパッケージで利用可能です。
  論文  参考訳（メタデータ） (2024-10-28T14:40:01Z)
• Inertial Confinement Fusion Forecasting via Large Language Models [48.76222320245404]
  本研究では,従来の貯水池計算パラダイムとLarge Language Models(LLM)の新たな統合である$textbfLPI-LLM$を紹介する。 我々は、$textitLLM-anchored Reservoir$, augmented with a $textitFusion-specific Prompt$を提案する。 また、最初の$textttLPI$ベンチマークである$textbfLPI4AI$も提示します。
  論文  参考訳（メタデータ） (2024-07-15T05:46:44Z)
• TriDet: Temporal Action Detection with Relative Boundary Modeling [85.49834276225484]
  既存の手法はビデオのあいまいな動作境界による不正確な境界予測に悩まされることが多い。 本稿では,その境界付近の相対確率分布を推定して,行動境界をモデル化する新しいトライデントヘッドを提案する。 TriDetは3つの挑戦的なベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-03-13T17:59:59Z)
• Uncertainty Set Prediction of Aggregated Wind Power Generation based on Bayesian LSTM and Spatio-Temporal Analysis [42.68418705495523]
  本稿では,地理的に分散した風力発電所の集合的発生の不確かさの予測に焦点をあてる。 近傍の風力発電場における部分的な観測から動的特徴を学習するための時空間モデルを提案する。 中国北西部の6つの風力発電所の実際のデータに基づく数値実験の結果,集合風力発電の不確実性セットは1つの風力発電所のそれよりも揮発性が少ないことがわかった。
  論文  参考訳（メタデータ） (2021-10-07T11:57:16Z)

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。