線形回帰と深層畳込みゲートリカレントユニットの結合による流線堰の正確な流量係数予測【JST・京大機械翻訳】

Chen Weibin; Sharifrazi Danial; Liang Guoxi; Band Shahab S.; Chau Kwok Wing; Mosavi Amir

プレプリント

J-GLOBAL ID：202202213614186605 整理番号：22P0329898

線形回帰と深層畳込みゲートリカレントユニットの結合による流線堰の正確な流量係数予測【JST・京大機械翻訳】

Accurate Discharge Coefficient Prediction of Streamlined Weirs by Coupling Linear Regression and Deep Convolutional Gated Recurrent Unit

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2022年04月11日プレプリントサーバーでの情報更新日： 2022年04月11日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

堰の自然界に触発されたタイプである流線堰は,主に高い排出係数を有する確立された性能のため,油圧技術者の間で大きな注目を得ている。計算流体力学(CFD)は,排出係数を予測するロバストなツールとして考えられている。CFDベースの評価の計算コストを迂回するために,本研究は,CFDシミュレーションの代替として,実験データ駆動モデリング技術を提案し,実験データセットに基づく排出係数を予測した。この目的のために,k折畳み交差検証技術を用いてデータセットを分割した後,古典的およびハイブリッド機械学習深層学習(MLDL)アルゴリズムの性能評価を行った。ML技術の中で,線形回帰(LR)ランダムフォレスト(RF)サポートベクターマシン(SVM)k最近傍(KNN)とディシジョンツリー(DT)アルゴリズムを研究した。DL,長い短期メモリ(LSTM)畳み込みニューラルネットワーク(CNN)およびゲート型リカレントユニット(GRU)の文脈において,LSTM GRU,CNN LSTMおよびCNN GRU技術のようなハイブリッド形式を,異なる誤差計量を用いて比較した。2つの次のGRUレベルと結合した畳み込み層から成る提案した3層階層DLアルゴリズムは,LR法ともハイブリッド化され,より低い誤差計量をもたらすことが分かった。本論文は,流線堰のデータ駆動モデリングのための道を開いた。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能

, , , , , ,

前のページに戻る