文献

J-GLOBAL ID：201802228364717721   整理番号：18A1062755

Bayes証拠学習を用いた短期地球物理実験からの中期蓄熱の不確実性定量化【JST・京大機械翻訳】

Uncertainty Quantification of Medium-Term Heat Storage From Short-Term Geophysical Experiments Using Bayesian Evidential Learning

著者 (6件)： Hermans Thomas (Department of Geology, Ghent University, Gent, Belgium) ,  Hermans Thomas (Department of Geological Sciences, Stanford University, Stanford, CA, USA) ,  Nguyen Frederic (Urban and Environmental Engineering, Applied Geophysics, University of Liege, Liege, Belgium) ,  Klepikova Maria (Department of Earth Sciences, ETH Zuerich, Zuerich, Switzerland) ,  Dassargues Alain (Urban and Environmental Engineering, Hydrogeology and Environmental Geology, University of Liege, Liege, Belgium) ,  Caers Jef (Department of Geological Sciences, Stanford University, Stanford, CA, USA)
資料名： Water Resources Research  (Water Resources Research)
巻： 54  号： 4  ページ： 2931-2948  発行年： 2018年 
JST資料番号： B0706A  ISSN： 0043-1397  CODEN： WRERAQ  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 理論において,帯水層熱エネルギー貯蔵(ATES)システムは,システムのエネルギー効率を増やすために,夏の間,帯水層において貯蔵する冬において回復することができた。実際には,エネルギー効率は,水力特性の空間的不均一性あるいは非好ましい水文地質条件のために,シミュレーションから予想されるよりもしばしば低い。したがって,ATESシステムの適切な設計は,これらのパラメータに関連する予測の不確実性を考慮すべきである。筆者らは,熱追跡実験を用いて沖積帯水層の蓄熱容量を推定するために,Bayes Evidual Learning(BEL)と呼ばれる新しい枠組みを用いた。BELは,2つの主要な段階に基づいている。データ収集の前に,モンテカルロシミュレーションとグローバル感度解析を用いて,予測の不確実性を減少させるためにデータの情報量を評価した。データ収集の後,同じモンテカルロに基づく事前の偽化と機械学習を用いて,観測からの重要な予測変数に関する不確実性を直接評価した。結果は,明確な完全モデルインバージョンなしで,観測データに対する予測条件の事後分布の完全な定量化である。フィールド条件における方法論を実証し,独立した測定を用いてフレームワークを検証した。Copyright 2018 Wiley Publishing Japan K.K. All Rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 帯水層 ,  *蓄熱 ,  予測 ,  機械学習 ,  モンテカルロ法 ,  *不確実性 ,  *学習 ,  エネルギー効率 ,  データ収集 ,  *地球 ,  感度解析
準シソーラス用語： 事後分布 ,  モンテカルロシミュレーション ,  沖積帯水層 ,  *中期 , 【Automatic Indexing@JST】

著者キーワード (5件)： 蓄熱 ,  熱追跡実験 ,  ATE ,  電気抵抗トモグラフィー ,  予測集束アプローチ

分類 (1件)： 水文学一般  (DC07010R)

タイトルに関連する用語 (9件)： 証拠 ,  学習 ,  短期 ,  地球物理 ,  実験 ,  中期 ,  蓄熱 ,  不確実性 ,  定量化