ترجمه فارسی مقاله مدل سازی آتش سوزی مبتنی بر داده: یادگیری اولین بار ورود و پارامترهای مدل با شبکه های عصبی

چکیده

Data-driven techniques are being increasingly applied to complement physics-based models in fire science. However, the lack of sufficiently large datasets continues to hinder the application of certain machine learning techniques. In this paper, we use simulated data to investigate the ability of neural networks to parameterize dynamics in fire science. In particular, we investigate neural networks that map five key parameters in fire spread to the first arrival time, and the corresponding inverse problem. By using simulated data, we are able to characterize the error, the required dataset size, and the convergence properties of these neural networks. For the inverse problem, we quantify the network’s sensitivity in estimating each of the key parameters. The findings demonstrate the potential of machine learning in fire science, highlight the challenges associated with limited dataset sizes, and quantify the sensitivity of neural networks to estimate key parameters governing fire spread dynamics.

چکیده به فارسی (ترجمه ماشینی)

تکنیک های مبتنی بر داده ها به طور فزاینده ای برای تکمیل مدلهای مبتنی بر فیزیک در علوم آتش سوزی استفاده می شوند.با این حال ، فقدان مجموعه داده های به اندازه کافی بزرگ همچنان مانع استفاده از تکنیک های خاص یادگیری ماشین می شود.در این مقاله ، ما از داده های شبیه سازی شده برای بررسی توانایی شبکه های عصبی برای پارامتر کردن دینامیک در علم آتش استفاده می کنیم.به طور خاص ، ما شبکه های عصبی را مورد بررسی قرار می دهیم که پنج پارامتر کلیدی را در آتش سوزی به اولین زمان ورود و مشکل معکوس مربوطه می پردازند.با استفاده از داده های شبیه سازی شده ، ما قادر به توصیف خطا ، اندازه داده های مورد نیاز و خصوصیات همگرایی این شبکه های عصبی هستیم.برای مشکل معکوس ، ما حساسیت شبکه را در تخمین هر یک از پارامترهای کلیدی تعیین می کنیم.این یافته ها پتانسیل یادگیری ماشین را در علوم آتش نشان می دهد ، چالش های مرتبط با اندازه داده های محدود را برجسته می کند و حساسیت شبکه های عصبی را برای برآورد پارامترهای کلیدی حاکم بر پویایی گسترش آتش نشان می دهد.