Physics-informed graph representation learning for ocean dynamics (2023)
- Authors:
- Autor USP: NETTO, CAIO FABRICIO DEBERALDINI - EP
- Unidade: EP
- Sigla do Departamento: PCS
- Subjects: INTELIGÊNCIA ARTIFICIAL; REDES NEURAIS; PREDIÇÃO; SISTEMAS DINÂMICOS
- Agências de fomento:
- Language: Inglês
- Abstract: A percepção dos elementos ambientais que nos cercam e como eles afetam nossa integridade física nos levam a projetar modelos do mundo real, visando antecipar ou mitigar os efeitos de situações desvantajosas para a vida humana, causadas por eventos tanto no espaço quanto no tempo. Nesse sentido, tivemos grandes avanços na modelagem das ciências físicas, principalmente nos domínios ambiental e de engenharia. Um domínio particular de interesse é o dos oceanos. Normalmente, os pesquisadores recorrem a métodos numéricos para entender e prever a dinâmica dos oceanos, a fim de dominar seus fenômenos. No entanto, tais métodos têm suas limitações em diversos cenários. Por exemplo, se o mapa topográfico é complexo (tornando a geração da malha também complexa), os processos fundamentais sao parcial ou completamente desconhecidos, ou estamos lidando com problemas de alta dimensão, discretizações numéricas das equações governantes podem não ser adequadas. Aprendizado de máquina se mostra uma alternativa interessante quando dados oceânicos estão disponíveis. Mesmo assim, os melhores modelos, redes neurais profundas, exigem grandes massas de dados para desempenharem bem em tarefas de predição; dado que a dinâmica dos oceanos se estende tanto no espaço quanto no tempo, há um desafio real para conseguir relacionar informações em diferentes dimensões, ao modelar esses sistemas com algoritmos de aprendizado. Atualmente, a falta de grandes bases de dados em problemas científicos é abordada combinando redes neurais com conhecimento físico prévio, no chamado paradigma de aprendizado informado pela física. Por outro lado, as redes neurais de grafos, inseridas na área de aprendizado de representação de grafos, tem apresentado excelentes resultados ao lidar comproblemas relacionais, como a previsão de fenômenos espaço-temporais. No entanto, a interseção entre esses dois campos de pesquisa não é bem explorada em geral, e muito menos em problemas do mundo real. Neste trabalho concentramos nossos esforços em unir os campos de aprendizado de máquina informado por física e aprendizado de representação gráfica, desenvolvendo um método de aprendizado profundo para a tarefa de predição de variáveis oceânicas, como altura da superfície do mar e velocidade da corrente. Experimentos foram conduzidos com dados reais de dois locais diferentes da região costeira do sudeste do Brasil, a Baía de Sepetiba/Ilha Grande e o Sistema Estuarino de Santos-Sao Vicente-Bertioga. Nosso modelo tem sido capaz de explorar vieses indutivos temporais e espaciais ao unir modelos sequenciais estado-da-arte, modelos relacionais e conhecimento físico de um modelo numérico, com melhorias significativas na eficiência do uso dos dados e acurácia de predição.
- Imprenta:
- Data da defesa: 21.07.2023
-
ABNT
NETTO, Caio Fabricio Deberaldini. Physics-informed graph representation learning for ocean dynamics. 2023. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-03012024-120505/pt-br.php. Acesso em: 29 maio 2024. -
APA
Netto, C. F. D. (2023). Physics-informed graph representation learning for ocean dynamics (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/3/3141/tde-03012024-120505/pt-br.php -
NLM
Netto CFD. Physics-informed graph representation learning for ocean dynamics [Internet]. 2023 ;[citado 2024 maio 29 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-03012024-120505/pt-br.php -
Vancouver
Netto CFD. Physics-informed graph representation learning for ocean dynamics [Internet]. 2023 ;[citado 2024 maio 29 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-03012024-120505/pt-br.php
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
