ترجمه فارسی مقاله پیش‌بینی سیستم دینامیکی از مشاهدات پراکنده با استفاده از شبکه‌های عصبی عمیق با تسلیت Voronoi و محدودیت فیزیک

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 Dynamical system prediction from sparse observations using deep neural networks with Voronoi tessellation and physics constraint
عنوان مقاله به فارسی پیش‌بینی سیستم دینامیکی از مشاهدات پراکنده با استفاده از شبکه‌های عصبی عمیق با تسلیت Voronoi و محدودیت فیزیک
نویسندگان Hanyang Wang, Hao Zhou, Sibo Cheng
فرمت مقاله انگلیسی PDF
تعداد صفحات 34
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 31 August, 2024; originally announced September 2024. , Journal ref: Computer Methods in Applied Mechanics and Engineering. 2024 Dec 1
توضیحات به فارسی ارسال 31 اوت 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، مجله Ref: روش های رایانه ای در مکانیک کاربردی و مهندسی.2024 دسامبر 1
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

Despite the success of various methods in addressing the issue of spatial reconstruction of dynamical systems with sparse observations, spatio-temporal prediction for sparse fields remains a challenge. Existing Kriging-based frameworks for spatio-temporal sparse field prediction fail to meet the accuracy and inference time required for nonlinear dynamic prediction problems. In this paper, we introduce the Dynamical System Prediction from Sparse Observations using Voronoi Tessellation (DSOVT) framework, an innovative methodology based on Voronoi tessellation which combines convolutional encoder-decoder (CED) and long short-term memory (LSTM) and utilizing Convolutional Long Short-Term Memory (ConvLSTM). By integrating Voronoi tessellations with spatio-temporal deep learning models, DSOVT is adept at predicting dynamical systems with unstructured, sparse, and time-varying observations. CED-LSTM maps Voronoi tessellations into a low-dimensional representation for time series prediction, while ConvLSTM directly uses these tessellations in an end-to-end predictive model. Furthermore, we incorporate physics constraints during the training process for dynamical systems with explicit formulas. Compared to purely data-driven models, our physics-based approach enables the model to learn physical laws within explicitly formulated dynamics, thereby enhancing the robustness and accuracy of rolling forecasts. Numerical experiments on real sea surface data and shallow water systems clearly demonstrate our framework's accuracy and computational efficiency with sparse and time-varying observations.

چکیده به فارسی (ترجمه ماشینی)

علیرغم موفقیت روشهای مختلف در پرداختن به مسئله بازسازی فضایی سیستم های دینامیکی با مشاهدات پراکنده ، پیش بینی فضایی-زمانی برای زمینه های پراکنده یک چالش است.چارچوب های مبتنی بر کریگینگ موجود برای پیش بینی میدان پراکنده فضایی-زمانی ، نتوانند دقت و زمان استنباط مورد نیاز برای مشکلات پیش بینی پویا غیرخطی را برآورده کنند.در این مقاله ، ما پیش بینی سیستم دینامیکی را از مشاهدات پراکنده با استفاده از چارچوب Voronoi Tessellation (DSOVT) ، یک روش نوآورانه مبتنی بر tessellation voronoi که ترکیبی از رمزگذار رمزگذار (CED) و حافظه کوتاه مدت بلند مدت (LSTM) و طولانی مدت استفاده همدلی است ، معرفی می کنیم.حافظه کوتاه مدت (CONVLSTM).DSOVT با ادغام tessellations Voronoi با مدلهای یادگیری عمیق فضا-زمانی ، در پیش بینی سیستم های دینامیکی با مشاهدات بدون ساختار ، پراکنده و متغیر زمان مهارت دارد.نقشه های CED-LSTM Voronoi Tessellations را به یک نمایش کم بعدی برای پیش بینی سری زمانی ، در حالی که CONVLSTM مستقیماً از این tessellations در یک مدل پیش بینی پایان به پایان استفاده می کند.علاوه بر این ، ما محدودیت های فیزیک را در طی فرآیند آموزش برای سیستم های دینامیکی با فرمول های صریح درج می کنیم.در مقایسه با مدل های صرفاً داده محور ، رویکرد مبتنی بر فیزیک ما این مدل را قادر می سازد تا قوانین فیزیکی را در پویایی صریح فرموله شده بیاموزد و از این طریق استحکام و صحت پیش بینی های نورد را تقویت می کند.آزمایش های عددی در مورد داده های سطح دریا واقعی و سیستم های آب کم عمق به وضوح صحت و کارایی چارچوب ما را با مشاهدات پراکنده و متغیر زمان نشان می دهد.

📚 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.