論文の概要: A Graph-informed Kriging model for sample-efficient Bayesian optimization of wind farm layouts
- arxiv url: http://arxiv.org/abs/2610.35975v1
- Date: Mon, 26 Oct 2026 07:35:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.377839
- Title: A Graph-informed Kriging model for sample-efficient Bayesian optimization of wind farm layouts
- Title（参考訳）: ウィンドファームレイアウトのサンプル効率ベイズ最適化のためのグラフインフォームド・クリグモデル
- Abstract要約: 本研究では,再利用可能な空力相互作用情報をサロゲート平均関数に組み込むグラフインフォームド・クリギング・フレームワークを開発した。
実験により,グラフインフォームド・クリギングは,スパースデータ条件下での通常および汎用のクリギングよりもAEP予測精度を一貫して向上することが示された。
- 参考スコア（独自算出の注目度）: 4.263626158886999
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wind farm layout optimization becomes increasingly difficult as turbine count grows, especially when high-fidelity aerodynamic models are used. Conventional Kriging-based Bayesian optimization often suffers from low sample efficiency in high-dimensional layout spaces because sparse training data provide limited domain coverage. We develop a Graph-informed Kriging framework that embeds reusable aerodynamic interaction information into the surrogate mean function. The wind farm is represented as a directed aerodynamic graph, where pairwise turbine interactions defined in a low-dimensional relative-coordinate space are assembled into a farm-scale mean. This structured mean captures the dominant variation in annual energy production (AEP), allowing the Gaussian process to model only the residual structure and uncertainty. Numerical experiments show that Graph-informed Kriging consistently improves AEP prediction accuracy over ordinary and generic-trend Kriging under sparse-data conditions, with increasing benefits as layout dimension and wake-interaction strength grow. Embedded in Bayesian optimization, it substantially improves sample efficiency and achieves competitive solutions for the IEA Wind Task 37 benchmark with about 280 AEP evaluations. In a controlled 16-turbine case, it also outperforms ordinary and multi-fidelity Kriging under the same high-fidelity evaluation budget. The framework is further extended to a 48-turbine wind farm, demonstrating applicability to large-scale CFD-based layout optimization. These results show that Graph-informed surrogate modeling can enable more efficient use of high-fidelity aerodynamic models for reliable large-scale wind farm layout design.
- Abstract（参考訳）: タービン数の増加に伴い、特に高忠実度空力モデルを使用する場合、風力発電のレイアウト最適化はますます困難になる。
従来のKrigingベースのベイジアン最適化は、疎いトレーニングデータが限られたドメインカバレッジを提供するため、高次元レイアウト空間におけるサンプル効率の低下に悩まされることが多い。
本研究では,再利用可能な空力相互作用情報をサロゲート平均関数に組み込むグラフインフォームド・クリギング・フレームワークを開発した。
風力ファームは配向空力グラフとして表現され、低次元相対座標空間で定義される一対のタービン相互作用をファームスケール平均に組み立てる。
この構造的平均は年次エネルギー生産(AEP)における支配的な変動を捉え、ガウス過程は残留構造と不確実性のみをモデル化することができる。
数値実験により、グラフインフォームド・クリギングは、スパースデータ条件下での一般および汎用のクリギングよりもAEP予測精度を一貫して改善し、レイアウト次元やウェイク・インタラクションの強度が増大するにつれて利点が増大することが示された。
ベイズ最適化に組み込まれ、サンプル効率を大幅に改善し、約280のAEP評価でIEA Wind Task 37ベンチマークの競合ソリューションを実現する。
制御された16タービンの場合、同じ高忠実度評価予算の下で、通常および多忠実度クリグよりも優れる。
このフレームワークはさらに48基の風力発電に拡張され、大規模CFDベースのレイアウト最適化への適用性を示している。
これらの結果から,グラフインフォームド・サロゲート・モデリングにより,信頼性の高い大規模風力発電レイアウト設計のための高忠実度空力モデルをより効率的に活用できることが示唆された。
関連論文リスト
- FG-ConvNO: A Geometry-Aware Neural Operator for Propeller CFD Prediction [73.25252821263845]
計算力学(CFD)は現代工学設計において不可欠であるが、計算コストは高い。
科学モデリングのための機械学習の最近の進歩は強力なサロゲートフレームワークに繋がった。
限られたトレーニングデータの下でのロバストな幾何認識一般化のためのFG-ConvNO(Factized Geometry Convolutional Neural Operator)を提案する。
論文 参考訳（メタデータ） (2026-10-24T05:21:25Z) - Predicting Wind Loads on Container Ships in Harbor Environments through Multi-Fidelity Modeling [0.0]
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。
論文 参考訳（メタデータ） (2026-04-24T06:47:00Z) - 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) - Killing Two Birds with One Stone: Unifying Retrieval and Ranking with a Single Generative Recommendation Model [71.45491434257106]
Unified Generative Recommendation Framework (UniGRF)は、検索とランキングを単一の生成モデルに統合する新しいアプローチである。
ステージ間コラボレーションを強化するため、UniGRFはランキング駆動エンハンサーモジュールを導入した。
UniGRFは、ベンチマークデータセット上で既存のモデルよりも大幅に優れています。
論文 参考訳（メタデータ） (2025-04-23T06:43:54Z) - Bayesian Optimization of a Lightweight and Accurate Neural Network for Aerodynamic Performance Prediction [0.0]
本研究では,空力性能予測のための効率的かつ正確な予測モデルを構築するための新しい手法を提案する。
設計変数間の相互作用を明確に記述するために、BOの定式化では階層カーネルと分類カーネルが使用される。
ドラッグ係数予測タスクでは,最適化モデルの平均絶対パーセンテージ誤差(MAPE)が0.1433%から0.0163%に低下する。
本モデルでは, ベンチマーク航空機の自己雑音予測問題に対して, 0.82%のMAPEを達成し, 既存モデルよりも大幅に優れていた。
論文 参考訳（メタデータ） (2025-03-25T09:14:36Z) - Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
PropEnは'matching'にインスパイアされている。
一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
論文 参考訳（メタデータ） (2024-05-28T11:30:19Z) - 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) - Model-based Causal Bayesian Optimization [74.78486244786083]
乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。
グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。
我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
論文 参考訳（メタデータ） (2023-07-31T13:02:36Z) - Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。
実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-10-07T02:12:34Z) - Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。
GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。
本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文 参考訳（メタデータ） (2021-01-06T17:36:26Z)
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。