論文の概要: Regularized Machine Learning for System Identification of Ship Free-Running Manoeuvres from CFD-Based Synthetic Data: A Comparative Study
- arxiv url: http://arxiv.org/abs/2606.17121v1
- Date: Mon, 15 Jun 2026 12:42:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 17:15:32.074079
- Title: Regularized Machine Learning for System Identification of Ship Free-Running Manoeuvres from CFD-Based Synthetic Data: A Comparative Study
- Title（参考訳）: CFDに基づく合成データを用いた船舶自由走行マニピュレータのシステム同定のための正規化機械学習:比較研究
- Authors: R. F. Suárez, J. C. Berndt, M. Abdel-Maksoud,
- Abstract要約: 本研究では,CFD生成データから船舶の流体力学係数を同定するための教師付き機械学習手法について検討した。
トレーニングおよび検証データセットは、ジグザグと回転円運動のURANSシミュレーションから導かれる。
正規化回帰技術は、多重線型性を効果的に軽減し、予測精度を顕著に向上させる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study investigates supervised machine learning techniques for identifying ship hydrodynamic coefficients from CFD-generated data from free-running simulations. Specifically, ordinary least squares and regularized regression methods are applied to Abkowitz-type manoeuvring models. Training and validation datasets are derived from URANS simulations of zig-zag and turning circle manoeuvres, which are validated against experimental benchmark data. The analysis evaluates the effects of coefficient set size, minimum training length required for predictive model training, and manoeuvre combinations on model performance. Results demonstrate the suitability of large-angle zig-zag manoeuvres for hydrodynamic system identification, provided that multicollinearity is addressed through appropriate coefficient selection, regression models, or input data variability. Larger coefficient sets offer greater model flexibility for variable conditions but are more prone to multicollinearity. Regularized regression techniques effectively mitigate multicollinearity and notably enhance prediction accuracy, as does incorporating more diverse manoeuvring data. Among tested models, Ridge regression provided the best compromise between computational efficiency and prediction accuracy.
- Abstract（参考訳）: 本研究では,自由走行シミュレーションによるCFD生成データから船の流体力学係数を同定するための教師付き機械学習手法について検討した。
具体的には、通常の最小二乗法と正規化回帰法がAbkowitz型操作モデルに適用される。
トレーニングと検証データセットは、実験的なベンチマークデータに対して検証されるZig-zagとターン円運動のURANSシミュレーションから導かれる。
この分析は,予測モデルトレーニングに必要な係数セットサイズ,最小トレーニング期間,および操作の組み合わせがモデル性能に及ぼす影響を評価する。
以上の結果から, 最適係数選択, 回帰モデル, 入力データ可変性によって, 多重線型性に対処できることが示唆された。
より大きい係数集合は、変数条件に対してより優れたモデル柔軟性を提供するが、多重線型性に傾向が強い。
正規化レグレッション技術は、より多様な操作データを含むため、マルチコリニアリティを効果的に軽減し、予測精度を顕著に向上する。
実験されたモデルの中で、リッジ回帰は計算効率と予測精度の最良の妥協を提供した。
関連論文リスト
- Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。
このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。
多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
論文 参考訳（メタデータ） (2026-05-28T13:26:53Z) - Active learning for data-driven reduced models of parametric differential systems with Bayesian operator inference [0.0]
この研究は、パラメトリック力学系のデータ駆動型減階モデル(ROM)をインテリジェントに強化するアクティブラーニングフレームワークを開発する。
データ駆動ROMは、説明可能で、計算効率のよい科学機械学習モデルである。
論文 参考訳（メタデータ） (2025-12-30T19:34:26Z) - A Surrogate-Augmented Symbolic CFD-Driven Training Framework for Accelerating Multi-objective Physical Model Development [12.349699279273791]
本稿では,代理モデルと記号CFD駆動型トレーニングをリアルタイムに統合し,トレーニングコストを削減できる拡張フレームワークを提案する。
提案手法は, 統計的に1次元および2次元の流路にまたがって提案される。
いずれの場合も、このフレームワークはCFD駆動のアプローチと同等の予測精度を維持しながら、トレーニングコストを大幅に削減する。
論文 参考訳（メタデータ） (2025-12-22T05:04:09Z) - Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization [49.34452620841728]
本稿では, ソフト材料の動的挙動を捉えるために, 分数次微分方程式(FODE)に基づく革新的なモデリング手法を提案する。
提案手法は,ソフトアクチュエータに固有の複雑な変形現象を効果的に表現する。
論文 参考訳（メタデータ） (2025-12-20T04:46:25Z) - Exploring Patterns Behind Sports [3.2838877620203935]
本稿では、ARIMAとLSTMを組み合わせたハイブリッドモデルを用いて、時系列予測のための包括的なフレームワークを提案する。
このモデルには埋め込みやPCAといった機能エンジニアリング技術が組み込まれており、生データを低次元の表現に変換する。
論文 参考訳（メタデータ） (2025-02-11T11:51:07Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。
エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-03T10:21:53Z) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳（メタデータ） (2023-06-14T11:41:42Z) - An Extended Multi-Model Regression Approach for Compressive Strength
Prediction and Optimization of a Concrete Mixture [0.0]
コンクリートの圧縮強度のモデルに基づく評価は, 強度予測と混合最適化の両方のために高い値である。
複数の回帰手法の重み付け組み合わせにより予測モデルの精度を向上させるためのさらなる一歩を踏み出す。
得られた多回帰モデルに基づいてGAに基づく混合最適化を提案する。
論文 参考訳（メタデータ） (2021-06-13T16:10:32Z) - Online Tensor-Based Learning for Multi-Way Data [1.0953917735844645]
オンラインの$CANDECOMP/PARAFAC$分解のために、新しい効率的なテンソルベースの特徴抽出法NeSGDが提案されている。
その結果,提案手法は分類誤り率を大幅に改善し,時間とともに正のデータ分布の変化を同化することができ,全てのケーススタディにおいて高い予測精度を維持した。
論文 参考訳（メタデータ） (2020-03-10T02:04:08Z)
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。