اکسپرس 24
ترجمه فارسی مقاله جایگزین‌های یادگیری ماشین برای مدل‌سازی هیدرولوژیکی کارآمد: بینش‌هایی از شبیه‌سازی‌های تصادفی تغذیه آبخوان مدیریت‌شده

ترجمه فارسی مقاله جایگزین‌های یادگیری ماشین برای مدل‌سازی هیدرولوژیکی کارآمد: بینش‌هایی از شبیه‌سازی‌های تصادفی تغذیه آبخوان مدیریت‌شده

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Machine learning surrogates for efficient hydrologic modeling: Insights from stochastic simulations of managed aquifer recharge
عنوان مقاله به فارسی جایگزین‌های یادگیری ماشین برای مدل‌سازی هیدرولوژیکی کارآمد: بینش‌هایی از شبیه‌سازی‌های تصادفی تغذیه آبخوان مدیریت‌شده
نویسندگان Timothy Dai, Kate Maher, Zach Perzan
فرمت مقاله انگلیسی PDF
تعداد صفحات 32
دسته بندی موضوعات Geophysics,Machine Learning,ژئوفیزیک , یادگیری ماشین ,
توضیحات Submitted 30 July, 2024; originally announced July 2024. , Comments: 32 pages, 14 figures, 11 tables
توضیحات به فارسی ارسال شده 30 ژوئیه 2024 ؛در ابتدا ژوئیه 2024 اعلام شد ، نظرات: 32 صفحه ، 14 شکل ، 11 جدول

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 1,280,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Process-based hydrologic models are invaluable tools for understanding the terrestrial water cycle and addressing modern water resources problems. However, many hydrologic models are computationally expensive and, depending on the resolution and scale, simulations can take on the order of hours to days to complete. While techniques such as uncertainty quantification and optimization have become valuable tools for supporting management decisions, these analyses typically require hundreds of model simulations, which are too computationally expensive to perform with a process-based hydrologic model. To address this gap, we propose a hybrid modeling workflow in which a process-based model is used to generate an initial set of simulations and a machine learning (ML) surrogate model is then trained to perform the remaining simulations required for downstream analysis. As a case study, we apply this workflow to simulations of variably saturated groundwater flow at a prospective managed aquifer recharge (MAR) site. We compare the accuracy and computational efficiency of several ML architectures, including deep convolutional networks, recurrent neural networks, vision transformers, and networks with Fourier transforms. Our results demonstrate that ML surrogate models can achieve under 10% mean absolute percentage error and yield order-of-magnitude runtime savings over processed-based models. We also offer practical recommendations for training hydrologic surrogate models, including implementing data normalization to improve accuracy, using a normalized loss function to improve training stability and downsampling input features to decrease memory requirements.

چکیده به فارسی (ترجمه ماشینی)

مدل های هیدرولوژیکی مبتنی بر فرآیند ابزارهای ارزشمندی برای درک چرخه آب زمینی و پرداختن به مشکلات منابع آب مدرن هستند.با این حال ، بسیاری از مدل های هیدرولوژیکی از نظر محاسباتی گران هستند و بسته به وضوح و مقیاس ، شبیه سازی ها می توانند سفارش ساعت ها را به روز انجام دهند.در حالی که تکنیک هایی مانند کمیت عدم اطمینان و بهینه سازی به ابزارهای ارزشمندی برای حمایت از تصمیمات مدیریتی تبدیل شده اند ، این تجزیه و تحلیل ها به طور معمول به صدها شبیه سازی مدل نیاز دارند ، که برای انجام با یک مدل هیدرولوژیکی مبتنی بر فرآیند بسیار گران قیمت هستند.برای پرداختن به این شکاف ، ما یک گردش کار مدل سازی ترکیبی را پیشنهاد می کنیم که در آن از یک مدل مبتنی بر فرآیند برای تولید مجموعه اولیه از شبیه سازی ها استفاده می شود و یک مدل جانشین یادگیری ماشین (ML) برای انجام شبیه سازی های باقی مانده مورد نیاز برای تجزیه و تحلیل پایین دست آموزش داده می شود.به عنوان یک مطالعه موردی ، ما این گردش کار را برای شبیه سازی جریان آب زیرزمینی متغیر اشباع شده در یک سایت شارژ آبخوان مدیریت شده آینده نگر (MAR) اعمال می کنیم.ما دقت و کارآیی محاسباتی چندین معماری ML ، از جمله شبکه های عمیق حلقوی ، شبکه های عصبی مکرر ، ترانسفورماتورهای بینایی و شبکه ها را با تبدیل های فوریه مقایسه می کنیم.نتایج ما نشان می دهد که مدل های جانشین ML می توانند زیر 10 ٪ میانگین خطای درصد مطلق و بازده پس انداز زمان عملکرد عکسبرداری را نسبت به مدلهای مبتنی بر فرآیند بدست آورند.ما همچنین توصیه های عملی را برای آموزش مدلهای جانشین هیدرولوژیکی ، از جمله اجرای عادی سازی داده ها برای بهبود دقت ، با استفاده از یک عملکرد از دست دادن نرمال برای بهبود ثبات آموزش و کاهش ویژگی های ورودی برای کاهش نیازهای حافظه ارائه می دهیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.