A Novel Deep Learning Approach for Emulating Computationally Expensive Postfire Debris Flows

要約

破片の流れや地滑りなど、人間の生活やインフラストラクチャに重大なリスクをもたらす地球物理的流量の従来の物理学ベースのモデルは、大規模なパラメータースイープ、不確実性の定量化、反転、またはリアルタイムアプリケーションのユーティリティを制限します。
この研究では、物理ベースのシミュレーションからのデータに基づいて、流出生成の破片フローのダイナミクスを多様な地形にまたがる、修正されたU-NETアーキテクチャを使用して構築された効率的な代替品、深い学習ベースの代理モデルを提示します。
調査地域は、パッチ予測ステッチ方法論を使用して、ローカライズされた予測のために小さなパッチに分割されています（限られたグローバルデータによって補完されてトレーニングを加速します）。
次に、パッチを組み合わせて空間的に連続的なフローマップを再構築し、大きなドメインのスケーラビリティを確保します。
限られた高価なシミュレーションを使用して高速トレーニングを可能にするために、ディープラーニングモデルは、ラテンハイパーキューブサンプリングを介して生成されたパラメーターを使用して物理ベースのシミュレーションのアンサンブルからのデータでトレーニングされ、目に見えないパラメーターセットと地形で検証され、最大ポイントワイズエラーが10％未満と堅牢な一般化を達成しました。
モンテカルロ法を使用した不確実性の定量化は、検証済みのサロゲートを使用して有効になり、確率的ハザード評価を促進できます。
この研究は、地球物理フロー分析の強力なツールとしての深い学習サロゲートの可能性を強調し、計算上効率的で信頼できる確率的ハザードマップ予測を可能にします。

要約(オリジナル)

Traditional physics-based models of geophysical flows, such as debris flows and landslides that pose significant risks to human lives and infrastructure are computationally expensive, limiting their utility for large-scale parameter sweeps, uncertainty quantification, inversions or real-time applications. This study presents an efficient alternative, a deep learning-based surrogate model built using a modified U-Net architecture to predict the dynamics of runoff-generated debris flows across diverse terrain based on data from physics based simulations. The study area is divided into smaller patches for localized predictions using a patch-predict-stitch methodology (complemented by limited global data to accelerate training). The patches are then combined to reconstruct spatially continuous flow maps, ensuring scalability for large domains. To enable fast training using limited expensive simulations, the deep learning model was trained on data from an ensemble of physics based simulations using parameters generated via Latin Hypercube Sampling and validated on unseen parameter sets and terrain, achieving maximum pointwise errors below 10% and robust generalization. Uncertainty quantification using Monte Carlo methods are enabled using the validated surrogate, which can facilitate probabilistic hazard assessments. This study highlights the potential of deep learning surrogates as powerful tools for geophysical flow analysis, enabling computationally efficient and reliable probabilistic hazard map predictions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google