Bayes_Opt-SWMM: A Gaussian process-based Bayesian optimization tool for real-time flood modeling with SWMM

替代模型 雨水管理模型 马尔科夫蒙特卡洛 计算机科学 数学优化 贝叶斯推理 大洪水 高斯过程 不确定度量化 贝叶斯优化 贝叶斯定理 贝叶斯概率 高斯分布 机器学习 人工智能 数学 雨水 地表径流 物理 量子力学 生态学 哲学 神学 生物
作者
Ahad Hasan Tanim,Corinne Smith-Lewis,Austin Downey,Jasim Imran,Erfan Goharian
出处
期刊:Environmental Modelling and Software [Elsevier]
卷期号:179: 106122-106122 被引量:1
标识
DOI:10.1016/j.envsoft.2024.106122
摘要

Real-time flood model plays a pivotal role in averting urban flood damage, particularly when there is minimal lead time for preparatory measures. However, urban flood modeling in real-time often contends with inherent uncertainties arising from input data uncertainty and parameter ambiguities. This study introduces a real-time calibration (RTC) tool called Bayes_Opt-SWMM , specifically tailored for real-time urban flood modeling and uncertainty optimization. This tool leverages the Gaussian process-based Bayesian optimization algorithm and interfaces seamlessly with the Stormwater Management Model (SWMM). It integrates real-time model forcing data and flood monitoring collected through sensors and gauges which are strategically placed within critical locations of urban drainage systems. Our approach hinges on the Surrogate Model based Uncertainty Optimization (SMUO) concept, providing an avenue for enhancing real-time flood modeling. Bayes_Opt-SWMM runs the optimization process using a surrogate model called Gaussian Process emulator with two inference methods: (1) the Gaussian Process (GP) model and (2) Markov Chain Monte Carlo (MCMC) algorithm in GP model (GP_MCMC). Furthermore, three acquisition functions, namely Expected Improvement (EI), Maximum Probability of Improvement (MPI), and Lower Confidence Bound (LCB), facilitate optimal parameter fitting within the surrogate models. The efficiency of GP-based surrogate models in learning SWMM model parameters, leads to an improved uncertainty quantification and accelerated real-time flood modeling in urban areas. Overall, Bayes_Opt-SWMM emerges as a cost-effective and valuable tool for real-time flood modeling and monitoring, with significant potential for managing intelligent storm water systems in urban environments.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
张张发布了新的文献求助10
1秒前
小熊完成签到,获得积分10
2秒前
无花果应助汤mou采纳,获得10
3秒前
苏卿应助jacob258采纳,获得10
4秒前
科研通AI2S应助zfczfc采纳,获得10
4秒前
CC发布了新的文献求助10
4秒前
大个应助雪白红紫采纳,获得30
4秒前
4秒前
5秒前
Hanni完成签到 ,获得积分10
5秒前
6秒前
6秒前
乐乐应助STZHEN采纳,获得10
6秒前
丘比特应助STZHEN采纳,获得10
6秒前
Jasper应助STZHEN采纳,获得10
6秒前
6秒前
大模型应助春风得意采纳,获得10
7秒前
7秒前
欣喜的秋灵应助13sdsf采纳,获得10
7秒前
8秒前
8秒前
杨乃彬发布了新的文献求助10
9秒前
Alexander L发布了新的文献求助10
9秒前
10秒前
张张完成签到,获得积分20
11秒前
11秒前
12秒前
jjj发布了新的文献求助10
12秒前
12秒前
13秒前
焰斗发布了新的文献求助10
13秒前
结实的胡萝卜完成签到,获得积分10
14秒前
烟花应助燊yy采纳,获得10
14秒前
努努发布了新的文献求助10
14秒前
小溜溜发布了新的文献求助10
14秒前
AllenWalker发布了新的文献求助10
15秒前
16秒前
汉堡包应助Tony12采纳,获得10
16秒前
博ge完成签到 ,获得积分10
17秒前
Akim应助yangs采纳,获得10
17秒前
高分求助中
Evolution 10000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Distribution Dependent Stochastic Differential Equations 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3157968
求助须知:如何正确求助?哪些是违规求助? 2809281
关于积分的说明 7881247
捐赠科研通 2467760
什么是DOI,文献DOI怎么找? 1313696
科研通“疑难数据库(出版商)”最低求助积分说明 630498
版权声明 601943