抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
本研究では,人工的なニューラルネットワークモデルの能力を研究し,嵐トラック/サイズ/強度履歴に基づいて嵐サージをエミュレートし,合成嵐シミュレーションのデータベースをレバーする。伝統的に,計算流体力学ソルバを用いて,部分微分方程式であるストームサージ支配方程式を数値的に解き,一般に非常に高価である。本研究は,合成嵐シミュレーションのデータベースによって知らされた,嵐サージを予測できるニューラルネットワークモデルを提示する。このモデルは,非常に高価なCFDソルバのための迅速で手頃なエミュレータとして役立つ。ニューラルネットワークモデルを,CFDソルバを駆動するために使用される嵐トラックパラメータで訓練し,モデルの出力は,関心の空間領域内の多重ノードにわたる予測嵐サージの時系列進化である。モデルが訓練されると,それは新しい嵐トラック入力に基づく更なる予測のために展開できる。開発したニューラルネットワークモデルは時系列モデル,長い短期メモリ,Reカレントニューラルネットワークの変化であり,これは畳込みニューラルネットワークで豊富である。畳み込みニューラルネットワークを用いて,データの相関を空間的に捉えた。したがって,データの時間的および空間的相関を,上記のモデル,ConvLSTMモデルの組合せによって捉えた。この問題がシーケンス時系列問題のシーケンスであるので,符号器デコーダConvLSTMモデルを設計した。モデル訓練のプロセスにおけるいくつかの他の技術も用いて,モデル性能を強化した。結果は,提案した畳込み再帰ニューラルネットワークが,調査した合成嵐データベースに対してGaussプロセス実装より優れていることを示した。【JST・京大機械翻訳】