PulseAugur
中
实时 05:29:01
English(EN) An Integrated Two-Stage Deep-Learning Tool for Rapid Post-Hurricane Damage Identification and Repair Scheduling

深度学习工具可快速评估飓风后电网损坏情况并安排修复

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种两阶段深度学习工具，以加快对电网进行飓风后损坏评估和修复调度。第一阶段使用MLP、ResMLP和GraphSAGE等模型识别损坏的线路，第二阶段计算修复计划，比较MLP、DeepSets和Set Transformer。该流程线采用ResMLP-Set Transformer配置，实现了0.920的损坏作业F1分数，并在顺序一致性和时间准确性方面表现出色，为飓风响应提供了快速的决策支持。 AI

影响 通过人工智能驱动的分析加速灾害响应和基础设施修复。

排序理由 该集群包含一篇详细介绍用于特定应用的新型深度学习工具的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

深度学习工具可快速评估飓风后电网损坏情况并安排修复

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Hooman Torkaman, Ellis Oti Boateng, Jignesh Solanki, Anurag Srivastava ·

    用于飓风后快速损伤识别和修复调度的集成式两阶段深度学习工具

    arXiv:2606.29117v1 Announce Type: cross Abstract: Post-hurricane damage assessment and repair scheduling can require computationally intensive simulation and optimization. This paper presents an integrated two-stage deep-learning tool for rapid damaged-line identification and rep…

相关实体

相关话题