Deep Learning Hydrodynamic Forecasting for Flooded Region Assessment in Near-Real-Time (DL Hydro-FRAN)

要約

流体力学的洪水モデリングにより、嵐の水文学的および水力学的な予測が向上します。
しかし、高解像度の流体力学に必要な計算量の多い数値解法は、歴史的に、ほぼリアルタイムの洪水予測への実装を妨げてきました。
この研究では、いくつかのディープ ニューラル ネットワーク (DNN) アーキテクチャが流体力学的洪水モデルの最適化に適しているかどうかを調査します。
いくつかの多雨洪水事象が、2D HEC-RAS 流体力学モデルを使用して、低起伏の高解像度都市環境でシミュレートされました。
これらのシミュレーションは DNN のトレーニング セットにまとめられ、洪水の深さと速度を予測するために使用されました。
DNN の予測は流体力学洪水モデルと比較され、調査地域のセル浸水深さの中央値 RMSE は約 2 mm と良好な一致を示しました。
また、DNN は予測の計算時間も大幅に短縮し、従来の流体力学モデルよりも 34.2 ～ 72.4 倍速く予測を提供します。
調査領域では、HEC-RAS の完全運動量方程式と拡散方程式の間でほとんど変化が見られませんでしたが、方程式の選択と DNN アーキテクチャ構成に影響を与える重要な数値安定性の考慮事項が発見されました。
全体として、この研究の結果は、DNN が流体力学的洪水モデリングを大幅に最適化し、ほぼリアルタイムの流体力学的洪水予測を可能にすることを示しています。

要約(オリジナル)

Hydrodynamic flood modeling improves hydrologic and hydraulic prediction of storm events. However, the computationally intensive numerical solutions required for high-resolution hydrodynamics have historically prevented their implementation in near-real-time flood forecasting. This study examines whether several Deep Neural Network (DNN) architectures are suitable for optimizing hydrodynamic flood models. Several pluvial flooding events were simulated in a low-relief high-resolution urban environment using a 2D HEC-RAS hydrodynamic model. These simulations were assembled into a training set for the DNNs, which were then used to forecast flooding depths and velocities. The DNNs’ forecasts were compared to the hydrodynamic flood models, and showed good agreement, with a median RMSE of around 2 mm for cell flooding depths in the study area. The DNNs also improved forecast computation time significantly, with the DNNs providing forecasts between 34.2 and 72.4 times faster than conventional hydrodynamic models. The study area showed little change between HEC-RAS’ Full Momentum Equations and Diffusion Equations, however, important numerical stability considerations were discovered that impact equation selection and DNN architecture configuration. Overall, the results from this study show that DNNs can greatly optimize hydrodynamic flood modeling, and enable near-real-time hydrodynamic flood forecasting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google