Evaluation of ML techniques for downscaling hydrodynamic simulations
Notice bibliographique
Résumé
The accurate representation of fluvial hydrodynamic characteristics, including water depth, and velocity field, is crucial for many hydro-environmental, geomorphological, and engineering applications. Traditionally, the hydrodynamic characteristics are determined using a 2D physics-based model that solves the shallow-water equations. However, employing these physics-based models for fine resolution simulations on large domains is often impractical due to the high computational cost. Consequently, spatial resolution often needs to be reduced to enable simulations. In this paper, we introduce and compare three Machine Learning (ML) approaches for downscaling: a linear dense model, as well as two deep neural networks (DNN) with convolution layers and fully connected layers. The objective is to enhance the spatial resolution of hydrodynamic models while maintaining reasonable computational efficiency and high precision. To evaluate and compare the different neural networks, a synthetic test case, the confluence of two synthetic channels, will be used. The results showcase that a DNN, the U-Net style, gives the best results due to the powerful convolutional layers, the non-linear activation function and skip connections. Then, we used a similar U-Net model to enhance the spatial resolution of a real-world riverine system in the St. Lawrence River, Canada. In conclusion, we will identify the strengths and weaknesses of existing architectures in different hydrodynamic contexts. This can pave the way for the development of an architecture specific to hydrodynamic phenomena.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».