文献

J-GLOBAL ID：202002210770934106   整理番号：20A2142697

積層拡張畳込みLSTMによる風場ベース短期タービン応答予測【JST・京大機械翻訳】

Wind Field-Based Short-Term Turbine Response Forecasting by Stacked Dilated Convolutional LSTMs

著者 (4件)： Woo Seongcheol (Department of Industrial and Systems Engineering, Korea Advanced Institute of Science and Technology, Daejeon, South Korea) ,  Park Junyoung (Department of Industrial and Systems Engineering, Korea Advanced Institute of Science and Technology, Daejeon, South Korea) ,  Park Jinkyoo (Department of Industrial and Systems Engineering, Korea Advanced Institute of Science and Technology, Daejeon, South Korea) ,  Manuel Lance (Department of Civil, Architectural and Environmental Engineering, The University of Texas at Austin, Austin, TX, USA)
資料名： IEEE Transactions on Sustainable Energy  (IEEE Transactions on Sustainable Energy)
巻： 11  号： 4  ページ： 2294-2304  発行年： 2020年 
JST資料番号： W2291A  ISSN： 1949-3029  CODEN： ITSEAJ  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： 複雑な風場に対応する風車の応答を予測することは,動的応答が動的操作機械システムと空間的および時間的に結合した確率的風場の間の複雑な相互作用によって引き起こされるので,挑戦的である。将来の風車応答を予測するための入力として一連の風場(スナップショット)を用いる積層拡張畳込みLSTM(SDCL)と呼ばれる物理にヒントを得たデータ駆動予測モデルを提案した。SDCLは,長い短期メモリ(LSTM)と結合した拡張畳込みニューラルネットワーク(CNN)の集合から成り,入力風場における乱流構造の空間的および時間的発展を捉える。特に,対応するLSTMモジュール,SDCLの単一成分と共に,異なる拡張比を有する拡張CNNを設計し,乱流風場におけるあるサイズの渦の進展を捉えた。次に,SDCLは,種々のサイズの多重渦の発展を効果的にモデル化する。シミュレーション研究を通して,著者らは,そのような物理学に触発されたネットワークアーキテクチャが,複雑な風場を処理するのに有効であり,従って,2つの代表的な将来の風車応答,エネルギー発生およびブレード根面外曲げモーメントを,他の標準深層学習アーキテクチャよりも正確に予測することを示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  シミュレーション ,  相互作用 ,  *畳込み ,  乱流 ,  動的応答 ,  *風の場 ,  風車 ,  多重化 ,  *タービン ,  モーメント ,  計算機アーキテクチャ ,  予測モデル
準シソーラス用語： スナップショット ,  深層学習 , 【Automatic Indexing@JST】

分類 (1件)： 風力発電  (NB03120Q)

タイトルに関連する用語 (7件)： 拡張 ,  畳込み ,  LSTM ,  風場 ,  短期 ,  タービン ,  応答予測