論文の概要: Online parameter inference for the simulation of a Bunsen flame using
heteroscedastic Bayesian neural network ensembles
- arxiv url: http://arxiv.org/abs/2104.13201v1
- Date: Mon, 26 Apr 2021 16:47:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-29 02:18:50.458091
- Title: Online parameter inference for the simulation of a Bunsen flame using
heteroscedastic Bayesian neural network ensembles
- Title（参考訳）: 異種ベイズ型ニューラルネットワークアンサンブルを用いた文仙火炎シミュレーションのためのオンラインパラメータ推定
- Authors: Maximilian L. Croci, Ushnish Sengupta, Matthew P. Juniper
- Abstract要約: 本論文では,事前混合火炎のG方程式モデルのパラメータをオンライン推論するためのデータ駆動型機械学習手法を提案する。
提案手法は,アンサンブルカルマンフィルタで得られた結果と一致する安価でオンラインなパラメータと不確実性推定を計算コストで提供する。
- 参考スコア（独自算出の注目度）: 2.1485350418225244
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes a Bayesian data-driven machine learning method for the
online inference of the parameters of a G-equation model of a ducted, premixed
flame. Heteroscedastic Bayesian neural network ensembles are trained on a
library of 1.7 million flame fronts simulated in LSGEN2D, a G-equation solver,
to learn the Bayesian posterior distribution of the model parameters given
observations. The ensembles are then used to infer the parameters of Bunsen
flame experiments so that the dynamics of these can be simulated in LSGEN2D.
This allows the surface area variation of the flame edge, a proxy for the heat
release rate, to be calculated. The proposed method provides cheap and online
parameter and uncertainty estimates matching results obtained with the ensemble
Kalman filter, at less computational cost. This enables fast and reliable
simulation of the combustion process.
- Abstract（参考訳）: 本稿では,ダクト型予混合火炎のg方程式モデルのパラメータをオンライン推定するためのベイズデータ駆動機械学習手法を提案する。
ヘテロシデスティックベイズ型ニューラルネットワークアンサンブルは、観測されたモデルパラメータのベイズ後方分布を学ぶために、g方程式解法であるlsgen2dでシミュレーションされた170万個の火炎フロントのライブラリで訓練される。
次にアンサンブルを用いてブンゼン火炎実験のパラメータを推定し、これらのダイナミクスをlsgen2dでシミュレートする。
これにより、放熱率のプロキシである火炎縁の表面積の変動を計算することができる。
提案手法は,アンサンブルカルマンフィルタで得られた結果と一致する安価でオンラインなパラメータと不確実性推定を計算コストで提供する。
これにより、燃焼過程の迅速かつ信頼性の高いシミュレーションが可能になる。
関連論文リスト
- von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
円値ランダム関数上の表現的および解釈可能な分布の族を探索する。
結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。
後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
論文 参考訳（メタデータ） (2024-06-19T01:57:21Z) - Bayesian Reasoning for Physics Informed Neural Networks [0.0]
ベイジアン定式化における物理インフォームドニューラルネットワーク(PINN)の応用について述べる。
それぞれのモデルまたは適合について、エビデンスを計算し、仮説を分類する尺度である。
ベイズフレームワークでは、境界と方程式の間の相対重みが全体の損失に寄与していることが示されている。
論文 参考訳（メタデータ） (2023-08-25T07:38:50Z) - A probabilistic, data-driven closure model for RANS simulations with aleatoric, model uncertainty [1.8416014644193066]
本稿では,レノルズ平均Navier-Stokes (RANS) シミュレーションのためのデータ駆動閉包モデルを提案する。
パラメトリック閉包が不十分な問題領域内の領域を特定するために,完全ベイズ的定式化と余剰誘導先行法を組み合わせて提案する。
論文 参考訳（メタデータ） (2023-07-05T16:53:31Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳（メタデータ） (2023-02-10T08:05:19Z) - Overlap-guided Gaussian Mixture Models for Point Cloud Registration [61.250516170418784]
確率的3Dポイントクラウド登録法は、ノイズ、アウトレーヤ、密度変動を克服する競合性能を示した。
本稿では,一致したガウス混合モデル(GMM)パラメータから最適変換を演算する,重複誘導確率登録手法を提案する。
論文 参考訳（メタデータ） (2022-10-17T08:02:33Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Combining data assimilation and machine learning to estimate parameters
of a convective-scale model [0.0]
対流を許容する数値気象予測モデルにおける雲の表現の誤差は、異なる情報源によって導入することができる。
本研究では,2種類のニューラルネットワークをトレーニングすることにより,人工知能レンズによるパラメータ推定の問題を検討する。
論文 参考訳（メタデータ） (2021-09-07T09:17:29Z) - Multi-fidelity Bayesian Neural Networks: Algorithms and Applications [0.0]
本稿では,可変忠実度の雑音データを用いて訓練できるベイズ型ニューラルネットワーク(BNN)を提案する。
関数近似の学習や、偏微分方程式(PDE)に基づく逆問題の解法に応用する。
論文 参考訳（メタデータ） (2020-12-19T02:03:53Z) - Real-time parameter inference in reduced-order flame models with
heteroscedastic Bayesian neural network ensembles [1.7188280334580197]
私たちは2100万のシミュレートされたフレイムビデオのライブラリーでネットワークをトレーニングします。
トレーニングされたニューラルネットワークは、プレミックスされたブンゼン火炎の実ビデオからモデルパラメータを推測するために使用される。
論文 参考訳（メタデータ） (2020-10-11T15:04:34Z) - DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。
本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。
提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
論文 参考訳（メタデータ） (2020-08-20T17:25:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。