AI 驱动的海洋数字孪生：基于深度集成的实时波高预测可靠不确定性量化
机器学习
2025-01-07 v2 计算工程、金融与科学
信号处理
大气与海洋物理
摘要
环境污染和化石燃料枯竭促使了对可再生能源发电的需求。然而，其稳定性常因低能量密度和非平稳条件而受到挑战。波浪能转换器（WEC）尤其需要可靠的实时波高预测，以应对不规则波浪模式导致的高效和不稳定运行问题。在本研究中，我们提出了一种 AI 驱动的可靠实时波高预测模型，该模型将长短期记忆（LSTM）网络用于时间预测与深度集成（DE）用于鲁棒的不确定性量化（UQ）相结合，以确保高准确性和可靠性。为进一步提升可靠性，我们应用了不确定性校准，该方法已被证明能显著提高所量化不确定性的质量。利用韩国济州岛振荡水柱波浪能转换器（OWC-WEC）系统的真实运行数据，该模型取得了显著的准确性（R² > 0.9），同时通过简单的校准技术将不确定性质量提高了 50% 以上。此外，我们进行了全面的参数化研究以探索关键模型超参数的影响，为具有波长、振幅和周期差异的多样化运行场景提供了有价值的指导。这些结果证明了该模型提供可靠预测的能力，从而促进海洋数字孪生的实现。
引用
@article{arxiv.2412.05475,
title = {AI-powered Digital Twin of the Ocean: Reliable Uncertainty Quantification for Real-time Wave Height Prediction with Deep Ensemble},
author = {Dongeon Lee and Sunwoong Yang and Jae-Won Oh and Su-Gil Cho and Sanghyuk Kim and Namwoo Kang},
journal= {arXiv preprint arXiv:2412.05475},
year = {2025}
}
备注
23 pages, 13 figures