論文の概要: UQ of 2D Slab Burner DNS: Surrogates, Uncertainty Propagation, and Parameter Calibration
- arxiv url: http://arxiv.org/abs/2411.16693v1
- Date: Sat, 09 Nov 2024 20:56:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-01 05:10:59.218912
- Title: UQ of 2D Slab Burner DNS: Surrogates, Uncertainty Propagation, and Parameter Calibration
- Title（参考訳）: 2次元スラブバーナーDNSのUQ:サロゲート、不確実性伝播、パラメータ校正
- Authors: Georgios Georgalis, Alejandro Becerra, Kenneth Budzinski, Matthew McGurn, Danial Faghihi, Paul E. DesJardin, Abani Patra,
- Abstract要約: 本稿では、2次元スラブバーナ直接数値シミュレーション(DNS)のような複雑な物理シミュレーションにおける完全不確実性定量化(UQ)解析の実行に関する課題と対処について述べる。
ガウス過程 (GP) と階層型マルチスケールサロゲート (HMS) の2つのサロゲートモデルを構築し, ラテンハイパーキューブサンプリングにより64個のシミュレーションをアンサンブルした。
解析の結果,サロゲートはスラブバーナーのすべての空間的位置を正確に予測していないことがわかった。
- 参考スコア（独自算出の注目度）: 36.136619420474766
- License:
- Abstract: The goal of this paper is to demonstrate and address challenges related to all aspects of performing a complete uncertainty quantification (UQ) analysis of a complicated physics-based simulation like a 2D slab burner direct numerical simulation (DNS). The UQ framework includes the development of data-driven surrogate models, propagation of parametric uncertainties to the fuel regression rate--the primary quantity of interest--and Bayesian calibration of critical parameters influencing the regression rate using experimental data. Specifically, the parameters calibrated include the latent heat of sublimation and a chemical reaction temperature exponent. Two surrogate models, a Gaussian Process (GP) and a Hierarchical Multiscale Surrogate (HMS) were constructed using an ensemble of 64 simulations generated via Latin Hypercube sampling. Both models exhibited comparable performance during cross-validation. However, the HMS was more stable due to its ability to handle multiscale effects, in contrast with the GP which was very sensitive to kernel choice. Analysis revealed that the surrogates do not accurately predict all spatial locations of the slab burner as-is. Subsequent Bayesian calibration of the physical parameters against experimental observations resulted in regression rate predictions that closer align with experimental observation in specific regions. This study highlights the importance of surrogate model selection and parameter calibration in quantifying uncertainty in predictions of fuel regression rates in complex combustion systems.
- Abstract（参考訳）: 本研究の目的は,2次元スラブバーナ直接数値シミュレーション (DNS) のような複雑な物理シミュレーションの完全不確実性定量化 (UQ) 解析のすべての側面に関する課題を実証し,解決することである。
UQフレームワークは、データ駆動サロゲートモデルの開発、燃料回帰率に対するパラメトリック不確実性の伝播、および実験データを用いて回帰率に影響を与える臨界パラメータのベイズ的キャリブレーションを含む。
具体的には、沈殿の潜熱と化学反応温度指数を含むパラメータを校正する。
ガウス過程 (GP) と階層型マルチスケールサロゲート (HMS) の2つのサロゲートモデルを構築し, ラテンハイパーキューブサンプリングにより64個のシミュレーションをアンサンブルした。
どちらのモデルもクロスバリデーション時に同等の性能を示した。
しかし、HMSは、カーネル選択に非常に敏感なGPとは対照的に、マルチスケールエフェクトを扱う能力のため、より安定していた。
解析の結果,サロゲートはスラブバーナーのすべての空間的位置を正確に予測していないことがわかった。
その後、実験観測に対する物理パラメータのベイズ的キャリブレーションにより、特定の領域における実験観測と密接に一致した回帰速度の予測が得られた。
本研究では, 複雑な燃焼系における燃料の回帰速度の予測における不確かさの定量化における代理モデル選択とパラメータキャリブレーションの重要性を強調した。
関連論文リスト
- FUSE: Fast Unified Simulation and Estimation for PDEs [11.991297011923004]
同じフレームワーク内で両方の問題を解決することは、正確性と堅牢性において一貫した利益をもたらす可能性がある、と私たちは主張する。
本研究は,本手法の全身血行動態シミュレーションにおける連続的および離散的バイオマーカーの予測能力について述べる。
論文 参考訳（メタデータ） (2024-05-23T13:37:26Z) - Conditional Korhunen-Lo\'{e}ve regression model with Basis Adaptation
for high-dimensional problems: uncertainty quantification and inverse
modeling [62.997667081978825]
本稿では,物理系の観測可能な応答のサロゲートモデルの精度を向上させる手法を提案する。
本研究では,定常水理応答のBasis Adaptation (BA)法による代理モデル構築に提案手法を適用した。
論文 参考訳（メタデータ） (2023-07-05T18:14:38Z) - Towards Convergence Rates for Parameter Estimation in Gaussian-gated
Mixture of Experts [40.24720443257405]
ガウスゲートMOEモデルにおける最大推定値(MLE)の収束解析を行う。
以上の結果から,MLEはガウスゲーティング関数の位置パラメータの2つの相補的な設定の下で異なる挙動を示すことが明らかとなった。
特に、これらの挙動は2つの異なる方程式系の可解性によって特徴づけられる。
論文 参考訳（メタデータ） (2023-05-12T16:02:19Z) - Optimised Bayesian system identification in quantum devices [3.72081359624651]
本研究では,未知パラメータを動的モデルで推定する閉ループベイズ学習アルゴリズムを提案する。
シミュレーションキャリブレーションタスクと実験用シングルキュービットイオントラップシステムの両方でアルゴリズムの性能を実証する。
論文 参考訳（メタデータ） (2022-11-16T18:12:46Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Model Calibration of the Liquid Mercury Spallation Target using
Evolutionary Neural Networks and Sparse Polynomial Expansions [4.3634848427203945]
本稿では,進化的ニューラルネットワークとスパース展開を用いた高価なシミュレーションの代理モデルキャリブレーションの2つの手法を提案する。
提案したシミュレーションは, 水銀の寿命と完全性を推定するために, 疲労解析に大いに役立てることができる。
しかし、この研究の重要な結論は、スペール化反応の完全な物理を捉える際の状態方程式に基づく現在のモデルに欠けていることを指摘している。
論文 参考訳（メタデータ） (2022-02-18T18:47:10Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-10-18T14:43:50Z) - Parameterized Temperature Scaling for Boosting the Expressive Power in
Post-Hoc Uncertainty Calibration [57.568461777747515]
我々は新しいキャリブレーション手法であるパラメタライズド温度スケーリング(PTS)を導入する。
最新のポストホックキャリブレータの精度保持性能は、その本質的な表現力によって制限されることを実証します。
当社の新しい精度保存手法が,多数のモデルアーキテクチャやデータセット,メトリクスにおいて,既存のアルゴリズムを一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2021-02-24T10:18:30Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Validity of Born-Markov master equations for single and two-qubit
systems [0.0]
一般的に用いられるレッドフィールドとリンドブラッドのマスター方程式を数値的に正確な結果と比較する。
本研究は,通常のボルン・マルコフ方程式の有効範囲に関する一般ガイドラインを設定した。
論文 参考訳（メタデータ） (2020-11-10T11:19:00Z)
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。