論文の概要: Learned Response-Field Inertia Operator for HEC-RAS 2D Water-Surface Elevation Prediction

• arxiv url: http://arxiv.org/abs/2606.06385v1
• Date: Thu, 04 Jun 2026 16:49:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.975075
• Title: Learned Response-Field Inertia Operator for HEC-RAS 2D Water-Surface Elevation Prediction
• Title（参考訳）: HEC-RAS 2次元水面上昇予測のための学習応答場慣性演算子
• Authors: Edward Holmberg, Elias Ioup, Md Meftahul Ferdaus, Mahdi Abdelguerfi, Julian Simeonov,
• Abstract要約: 本稿では,HEC-RAS 2Dにおける水面上昇(WSE)予測のための学習済みネイティブセルサロゲートモデルのクロスデータセット評価について述べる。 本稿では,慣性応答演算子を校正する非強制的インクリメントベース学習サロゲートであるLRFIOについて紹介する。 配備期間中のロールアウト時間は0.003 sから0.242 sで、ビーバー・バイユーの測定値の比較では、HEC-RASよりも2.75 x 104の地平線正規化速度が推定される。
• 参考スコア（独自算出の注目度）: 1.2904450317782683
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This article presents a cross-dataset evaluation of learned native-cell surrogate models for solver-consistent water-surface elevation (WSE) prediction in HEC-RAS 2D. To avoid raster remapping error and information-access confounding, surrogates are evaluated directly on the original nonuniform computational cells under an explicit policy that separates static project inputs, current hydraulic state, project-input forcing, calibration-derived quantities, and future solver-output targets. We introduce the Learned Response-Field Inertia Operator (LRFIO), a no-forcing, increment-based learned surrogate that calibrates an inertial response operator from solved HEC-RAS trajectories and deploys the retained operator through closed-form native-cell rollout. LRFIO evaluates a base-case-first response hierarchy consisting of persistence, global calibrated inertia, and segmented response-field inertia. Segmentation, residual correction, and neuralized inertia are treated as learnable modeling choices, with added complexity retained only when validation evidence justifies its cost. Evaluated across four diverse HEC-RAS 2D benchmarks, LRFIO retains different response structures for different domains, demonstrating adaptive learned complexity. The selector audit shows controlled complexity with a maximum validation regret of 4.30%. During deployment, retained rollout times range from 0.003 s to 0.242 s, and the Beaver Bayou measured-solve comparison gives an estimated 2.75 x 10^4 horizon-normalized speedup over HEC-RAS. These results indicate that the current native-cell increment is a strong solver-conditioned predictive scaffold and that added response-field, neural, or spatial complexity should be retained only when empirically justified.
• Abstract（参考訳）: 本稿では,HEC-RAS 2Dにおける水面上昇(WSE)予測のための学習済みネイティブセルサロゲートモデルのクロスデータセット評価について述べる。 ラスター再マッピングエラーや情報アクセス不良を避けるために、静的プロジェクト入力、現在の油圧状態、プロジェクトインプットフォーシング、キャリブレーション由来量、将来のソルバアウトプットターゲットを分離する明示的なポリシーの下で、サロゲートを元の不均一な計算セル上で直接評価する。 本研究では,HEC-RASトラジェクトリから慣性応答演算子を校正し,閉形式のネイティブセルロールアウトにより保持操作子をデプロイする無強制インクリメント型学習サロゲートであるLearned Response-Field Inertia Operator (LRFIO)を紹介する。 LRFIOは、持続性、大域的校正慣性、セグメント化された応答場慣性からなる基本ケースファースト応答階層を評価する。 セグメンテーション、残留補正、ニューラル化慣性は学習可能なモデリング選択として扱われ、検証がコストを正当化するときにのみ、さらなる複雑さが維持される。 4つのHEC-RAS 2Dベンチマークで評価され、LRFIOは異なるドメインに対して異なる応答構造を保持し、適応的な学習複雑性を示す。 セレクタ監査では、コントロールされた複雑性を示し、最大の検証は4.30%である。 配備期間中のロールアウト時間は0.003 sから0.242 sで、ビーバー・バイユーの測定値の比較では、HEC-RASよりも2.75 x 10^4の地平線正規化速度が推定される。 これらの結果は,現在のネイティブセル増分は強い解法条件の予測足場であり,応答場,神経,空間の複雑さを経験的に正当化された場合にのみ維持すべきであることを示唆している。

関連論文リスト

• IRDS: Interpretable RLVR Data Selection via Verifier-Coupled Sparse Autoencoder Coverage [12.520216206687044]
  本稿では、スパースオートエンコーダ(SAE)クラスタベースでRLVRトレーニングインスタンスを選択するIRDS(Inter-pretable RLVR Data Selection)を提案する。 3つの命令調整モデルと6つの数学推論ベンチマークを用いた実験により、IRDSは全体的な精度が最も高いことを示す。
  論文  参考訳（メタデータ） (2026-05-27T09:58:05Z)
• Reframing preprocessing selection as model-internal calibration in near-infrared spectroscopy: A large-scale benchmark of operator-adaptive PLS and Ridge models [0.2609784101826761]
  本稿では,探索を1つのキャリブレーションステップに分解できる事例について検討する。 線形演算子適応キャリブレーションは、徹底的な前処理スクリーニングに匹敵する予測品質を与える。
  論文  参考訳（メタデータ） (2026-05-13T14:23:00Z)
• Recovering Physical Dynamics from Discrete Observations via Intrinsic Differential Consistency [12.266189649117003]
  我々は地域の監督をグローバルな構造的制約に置き換える。 この特性からの偏差が2つの目的に作用する時間条件のセカント速度場を訓練する。 トレーニング正則化器として、時間スケールで一貫して構成されるフローに仮説空間を限定する。
  論文  参考訳（メタデータ） (2026-05-08T20:24:32Z)
• Beyond Reward Suppression: Reshaping Steganographic Communication Protocols in MARL via Dynamic Representational Circuit Breaking [0.0]
  監視を回避するためのプライベートプロトコルを開発するエージェントによるステガノグラフィーの共謀は、AIの安全性に重大な脅威をもたらす。 既存の防御は行動層や報酬層に限られており、潜伏する通信路での調整を検知できない。 本稿では,動的表現回路ブレーカ(DRCB)について紹介する。
  論文  参考訳（メタデータ） (2026-03-07T04:14:38Z)
• Deep Doubly Debiased Longitudinal Effect Estimation with ICE G-Computation [13.1234934131475]
  シーケンシャルな意思決定には縦断的治療効果の推定が不可欠であるが, 共同ファウンダーのフィードバックにより困難である。 D3-Netは,ICEトレーニングにおける誤りの伝播を軽減し,堅牢な最終補正を行うフレームワークである。 我々のモデルであるD3-Netは、異なる地平線、反事実、時間的差異の偏りと分散を頑健に低減します。
  論文  参考訳（メタデータ） (2026-02-12T20:16:27Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• Divide-Then-Align: Honest Alignment based on the Knowledge Boundary of RAG [51.120170062795566]
  本稿では,問合せが知識境界外にある場合の"I don't know"で応答する機能を備えたRAGシステムを実現するためのDTAを提案する。 DTAは適切な棄権と精度のバランスをとり、検索強化システムの信頼性と信頼性を高める。
  論文  参考訳（メタデータ） (2025-05-27T08:21:21Z)
• Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
  本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。 提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
  論文  参考訳（メタデータ） (2024-01-17T09:01:29Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)
• Visual-tactile sensing for Real-time liquid Volume Estimation in Grasping [58.50342759993186]
  変形性容器内の液体をリアルタイムに推定するためのビジュオ触覚モデルを提案する。 我々は、RGBカメラからの生の視覚入力と、特定の触覚センサーからの触覚手がかりの2つの感覚モードを融合する。 ロボットシステムは、推定モデルに基づいて、リアルタイムで適切に制御され、調整される。
  論文  参考訳（メタデータ） (2022-02-23T13:38:31Z)
• Tail-to-Tail Non-Autoregressive Sequence Prediction for Chinese Grammatical Error Correction [49.25830718574892]
  本稿では,Tail-to-Tail (textbfTtT) という新しいフレームワークを提案する。 ほとんどのトークンが正しいので、ソースからターゲットに直接転送でき、エラー位置を推定して修正することができる。 標準データセット、特に可変長データセットに関する実験結果は、文レベルの精度、精度、リコール、F1-Measureの観点からTtTの有効性を示す。
  論文  参考訳（メタデータ） (2021-06-03T05:56:57Z)

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。