使用深度学习来预测海浪

时间:2019-03-06 18:39:14 阅读:33次

  科学家们已经取得了惊人的进步,使机器能够理解语言并处理图像,例如面部识别,图像分类(例如“猫”或“狗”)和文本翻译。今年夏天在都柏林的IBM研究实验室工作的重点是一个非常不同的问题:使用人工智能技术,如深度学习来预测物理过程,即海浪。

  图为L-R:贝勒大学的Scott James教授,圣母大学的张玉山和IBM研究中心的Fearghal O'Donncha

  传统的基于物理的模型受外力驱动:潮汐上升和下降,风向不同方向吹,水的深度和物理性质影响波浪的速度和高度。这些物理过程及其关系被封装在微分方程中,这些微分方程被编码成波传输的数值模型。计算的性质通常要求高性能计算基础设施来解决方程式。这种高计算费用限制了实时预测平台可以调查的空间分辨率,物理过程和时间尺度。

  我们开发了一个深度学习框架,在这些基于物理的模型上以相当的准确度提供12,000%的加速度。经验证的深度学习框架可用于使用可用的预测边界波条件,洋流和风来执行波浪状况的实时预报。计算费用的大幅减少意味着1)可以在Raspberry Pi而不是HPC中心进行模拟; 2)通过将输入数据集修改为深层,可以调查大量增加的物理条件,几何和时间尺度学习模式。

   SWAN模型:基于物理的波高模型预测

  利用位于加利福尼亚州蒙特利湾的案例研究网站,深度学习框架进行了培训,以计算成本的一小部分来预测波浪状况。我们使用基于物理的Simulating WAves Nearshore(SWAN)模型为深度学习网络生成训练数据。该模型 - 由测量的波浪条件,来自运行预报系统的洋流和来自天气公司的风力数据 - 在2013年4月1日至2017年7月31日期间运行,以3小时的间隔生成预测,总共提供12,400个不同的模型输出。具体而言,可以使用深度学习算法复制3,111个波高和周期的图像,其误差小于SWAN模型验证练习的误差。将SWAN和深度学习网络的输出与模型域内观察到的浮标波数据进行比较,证明尽管计算费用大幅减少,但新方法提供了与传统的基于物理的SWAN模型相当的精度水平。

  准确预测海浪高度和方向是许多海洋工业的宝贵资源。这些行业中的许多行业在电力和计算设施有限的恶劣环境中运行。以低计算成本提供高精度波浪状况预测的解决方案对于改进决策制定至关重要。

  深度学习模型:在可比较的准确度水平下,波浪高度的预测比基于物理的模型快12,000

  作为示例,航运公司可以使用高度准确的预测来确定波涛汹涌的海洋中的最佳航行路线,以最小化期望的度量(例如,燃料消耗,航行时间等)。水产养殖经营者需要及时,不断更新预测,以便为与采边和采伐等高利润活动相关的决策提供信息。

  本研究扩展并建立在IBM Research - Ireland,Baylor University和Notre Dame大学之间的合作基础之上。来自Baylor的Scott James教授,他在波浪预测应用方面拥有丰富的行业经验,专门针对波浪能,他加入了IBM都柏林研究实验室,进行夏季休假,以进一步开展现有的研究合作。休假的目的是利用IBM在AI方面的技能,将波浪预测能力扩展到目前最先进的水平。张玉山博士是圣母大学的博士候选人,他将机器学习分析的应用经验带到了许多研究领域。三个机构的建模技能,机器学习能力和行业经验的结合,创造了创新的深度学习解决方案,使波浪预测成为当前最先进方法计算成本的一小部分。这种方法在我们的论文“预测波浪条件的机器学习框架”中得到了说明。

使用深度学习来预测海浪所属专题:海浪 深度 《使用深度学习来预测海浪》链接:http://www.zhouchuanxiong.net/835

使用深度学习来预测海浪相关文章

  • 使用物联网和机器学习来跟踪肺病的进展
  • 机器学习过去常常超过MELD来评估肝脏疾病
  • IBM科学家证明使用GPU可以将大规模机器学习速度提高10倍
  • 分布式深度学习培训控制提供10倍的性能提升
  • ROMEO寻求通过机器学习和边缘物联网改善风电场
  • 从研究论文中自动生成深度学习模型的代码
  • 攻丝机学习促进更多地利用仿生学进行创新
  • 深度学习培训时间显着减少
  • IBM Research的深度学习进展
  • IBM利用POWER9和NVIDIA GPU设置万亿级机器学习基准记录; PowerAI即将推出
  • 一种用于大规模图的可扩展深度学习方法
  • 在强化学习中发现特征选择的新算法
  • 加速机器学习算法的培训
  • 使用深度学习生成餐厅评论
  • 使用OpenCV和深度学习在视频中跟踪对象
  • 开发一个使用机器学习的基于Web的移动健康应用程序
  • 在Kubernetes上部署和使用多框架深度学习平台
  • 创建一个Web应用程序以与机器学习生成的图像标题进行交互
  • 创建一个Web应用程序,以便与使用机器学习检测到的对象进
  • 机器学习模型的性能评估
  • 构建机器学习推荐引擎,以鼓励基于过去购买行为的额外购买
  • 使用内部部署数据训练基于云的机器学习模型
  • 使用Watson Machine Learning和IBM Db2 Warehouse on Cloud持续学习
  • 部署深度学习驱动的“魔术裁剪工具”
  • 使用机器学习预测心脏病
  • 使用Watson OpenScale监控自定义机器学习引擎
  • 使用Watson OpenScale监控Sagemaker机器学习
  • 使用机器学习和高级分析分析物联网传感器数据
  • 使用Watson OpenScale监控Azure机器学习
  • 从计算机中学习大脑,反之亦然