Calibration of Manning’s roughness coefficients for shallow-water flows on complex bathymetries using optimization algorithms and surrogate neural network models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
• The main features of a newly developed high-performance multi-GPU solver for the shallow-water equations are presented. This solver is used to build a database of highfidelity solutions. • A surrogate model based on an ensemble of neural networks is trained on the database. • Optimization algorithms are analyzed to identify the optimal Manning friction coefficients using the surrogate model. Notably, no convergence issue is observed and accurate solutions are obtained. • Hybrid Particle Swarm Optimization (HPSO) algorithm revealed robust and fast convergence. • The versatility of this approach makes it applicable to various domains. This paper presents an effective methodology for the automatic calibration of Manning’s roughness coefficients, which are crucial parameters for modeling shallow free-surface flows. Traditionally determined through empirical methods, these coefficients are subject to significant variability, making their determination challenging, especially in flow areas with complex bathymetry. The conventional trial-and-error approach, widely used to select these coefficients, is often tedious and time-consuming, particularly in applications constrained by time and data availability. The proposed methodology aims to determine the optimal values of Manning’s coefficients distributed over the flow domain while minimizing global discrepancies between simulations and field measurements. The calibration approach is formulated as an inverse optimization problem and addressed using metaheuristic optimization algorithms such as the Genetic Algorithm or Particle Swarm Optimization, combined with an ensemble model of deep neural networks. The database for training the neural networks is obtained using a newly developed finite volume-based shallow-water equations solver, parallelized on multiple GPUs, to generate large datasets of solutions for machine learning purposes. The performance of this approach is evaluated through various flow scenarios. Compared to conventional techniques, this methodology stands out for its simplicity, computational efficiency, and robustness. Additionally, Hybrid Particle Swarm Optimization (HPSO) proves to be particularly effective, notably for its speed. The developed codes are available at: https://github.com/ETS-GRANIT/CuteFlow .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle