奥马尔·桑;阿迪尔·拉希德;特隆德·科瓦姆斯达尔 混合分析和建模、折衷主义和多义性计算走向数字孪生革命。 （英语） Zbl 1533.65205号 GAMM米特。 44，第2号，文章ID 202100007，第32页（2021）. 摘要：大多数建模方法分为两类：基于物理的建模方法或数据驱动的建模方法。最近，第三种方法，即这些确定性模型和统计模型的组合，正在出现用于科学应用。为了利用这些发展，我们在本文中的目标是围绕着探索众多的原则概念来解决以下挑战：（i）开发数据驱动模型时的可信度和通用性，以帮助理解其准确性和效率的基本权衡；（ii）接口学习和多义性耦合方法的无缝集成，这些方法在不同实体之间传递和表示信息，特别是当不同尺度由不同物理控制时，每个尺度都在不同的抽象级别上运行。应对这些挑战可以推动科学和工程应用数字孪生技术的革命。©2021 Wiley-VCH股份有限公司 引用于2文件 MSC公司： 65米99 偏微分方程、初值和含时初边值问题的数值方法 68问题32 计算学习理论 68T07型 人工神经网络与深度学习 92B20型 生物研究、人工生命和相关主题中的神经网络 78A55型 光学和电磁理论的技术应用 关键词：数字孪生兄弟;混合分析与建模;界面学习;神经物理计算;降阶建模;科学机器学习 软件：300万;斯帕拉尔-奥尔马拉斯 PDF格式BibTeX公司 XML格式引用 \textit{O.San}等人，GAMM-Mitt。44，第2号，文章ID 202100007，32 p.（2021；Zbl 1533.65205） 全文： 内政部 arXiv公司 参考文献： [1] H.D.Abarbanel、P.J.Rozdeba和S.Shirman，《机器学习：作为统计数据同化问题的深度学习》，《神经计算》30（2018），2025-2055年·Zbl 1472.68127号 [2] L.Agostini，《使用自动编码器技术探索和预测流体动力系统》，Phys。流体32（2020），067103。 [3] J.V.Aguado、D.Borzacchielo、C.Ghnatios、F.Lebel、R.Upadhyay、C.Binetruy和F.Chinesta，基于复合出口导叶制造优化降阶建模的仿真应用程序，高级模型。模拟。《工程科学》4（2017），1。 [4] J.V.Aguado、A.Huerta、F.Chinesta和E.Cueto，通过降阶建模对热过程进行实时监测，国际数值杂志。方法工程102（2015），991-1017·Zbl 1352.80002号 [5] M.Ahmed和O.San，具有移动冲击的非线性对流系统模型简化的稳定主区间分解方法，计算。申请。数学37（2018），6870-6902·Zbl 1413.37055号 [6] S.Ahmed、S.Pawar、O.San、A.Rasheed和M.Tabib，实时尾涡输运和衰变预测的推进式混合分析和建模方法，计算。流体221（2021），104895·Zbl 1521.76311号 [7] S.E.Ahmed、S.Pawar和O.San，《PyDA：使用python进行动态数据同化的实践介绍》，Fluids5（2020），225。 [8] S.E.Ahmed等人，《流体流动的降阶建模：机器学习、Kolmogorov屏障、闭合建模和划分（受邀）》，《2020年美国航空协会航空论坛和展览会论文集，虚拟事件》，2020年6月15日至19日。 [9] S.E.Ahmed等人，非遍历流的内存嵌入非侵入降阶建模，2019年。arXiv预打印arXiv:1910.07649。 [10] S.E.Ahmed、O.San、K.Kara、R.Younis和A.Rasheed，《多物理和多尺度系统的界面学习》，《物理学》。修订版E102（2020），053304。 [11] S.E.Ahmed、O.San、K.Kara、R.Younis和A.Rasheed，用于耦合全阶和降阶模型的高保真度计算，PLoS One16（2021），e0246092。 [12] S.E.Ahmed、O.San、A.Rasheed和T.Iliescu，混合提升降阶模型的长短期记忆嵌入，《物理D非线性现象》409（2020），132471·Zbl 1505.76071号 [13] M.Ainsworth和A.W.Craig，有限元法中的后验误差估计，数值。数学60（1992），429-463·Zbl 0757.65109号 [14] M.Ainsworth和J.T.Oden，有限元分析中的后验误差估计，John Wiley&Sons，纽约，2000年·Zbl 1008.65076号 [15] M.Ainsworth、J.Z.Zhu、A.W.Craig和O.C.Zienkiewicz，有限元法中Zienkiewicz-Zhu后验误差估计器的分析，Int.J.Numer。方法工程28（1989），2161-2174·Zbl 0716.73082号 [16] F.Aires、M.Schmitt、A.Chedin和N.Scott，用于Jacobian稳定的MLP的“权重平滑”正则化，IEEE Trans。神经网络10（1999），1502-1510。 [17] N.Akhtar和A.Mian，《对抗性攻击对计算机视觉深度学习的威胁：调查》，IEEE Access6（2018），14410-14430。 [18] M.Alber、A.B.Tepole、W.R.Cannon、S.De、S.Dura‐Bernal、K.Garikipati、G.Karniadakis、W.W.Lytton、P.Perdikaris和L.Petzold，《整合机器学习和多尺度建模——生物学、生物医学和行为科学中的观点、挑战和机遇》，NPJ Digit。医学2（2019），1-11。 [19] B.O.Almroth、P.Stern和F.A.Brogan，结构分析中全局形状函数的自动选择，AIAA J.16（1978），525-528。 [20] A.Ammar、B.Mokdad、F.Chinesta和R.Keunings，复杂流体动力学理论建模中遇到的某些类多维偏微分方程的新求解器系列，J.非牛顿流体力学144（2007），98-121·Zbl 1196.76047号 [21] R.A.Anthes，飓风预测模型的数据同化和初始化，J.Atmos。科学31（1974），702-719。 [22] H.Antil、Z.W.Di和R.Khatri，双层优化、深度学习和分数拉普拉斯正则化及其在层析成像中的应用，逆问题36（2020），064001·Zbl 07371382号 [23] M.J.Asher、B.F.Croke、A.J.Jakeman和L.J.Peeters，《替代模型及其在地下水建模中的应用综述》，《水资源》。第51号决议（2015年），5957-5973。 [24] D.Auroux和J.Blum，数据同化问题的前后微调算法，Comptes Rendus Mathematique340（2005），873-878·Zbl 1074.34006号 [25] I.Babuška和T.Strouboulis，《有限元方法及其可靠性》，克拉伦登出版社，纽约，2001年·Zbl 0997.74069号 [26] I.Babuška和W.C.Rheinboldt，《有限元法的后验误差估计》，国际期刊Numer。方法工程12（1978），1597-1615·Zbl 0396.65068号 [27] I.Babuška和W.C.Rheinboldt，自适应有限元计算的误差估计，SIAM J.Numer。分析15（1978），736-754·Zbl 0398.65069号 [28] A.Badías、I.Alfaro、D.González、F.Chinesta和E.Cueto，基于物理的增强现实降阶建模，计算。方法应用。机械。工程341（2018），53-70·Zbl 1440.74470号 [29] Z.Bai，Krylov子空间技术在大尺度动力系统降阶建模中的应用。数字。数学43（2002），9-44·Zbl 1012.65136号 [30] J.Ballani、D.P.Huynh、D.J.Knezevic、L.Nguyen和A.T.Patera，局部非线性固体力学基于组件的混合简化基/有限元方法，计算。方法应用。机械。Eng.329（2018），498-531·兹比尔1439.74387 [31] W.Bangerth和R.Rannacher，微分方程的自适应有限元方法，Birkhäuser，瑞士巴塞尔，2013年·Zbl 0948.65098号 [32] A.T.Barker和X.‐C。蔡，流体-结构相互作用中整体耦合的可扩展并行方法及其在血流建模中的应用，J.Compute。《物理学》第229卷（2010年），第642-659页·Zbl 1253.76137号 [33] B.Barker、J.M.James和J.Morgan，线路上行波不稳定流形的参数化方法，SIAM J.Appl。动态。系统19（2020），1758-1797·兹比尔1473.74075 [34] J.Barnett、K.Burningham、G.Walker和N.Cass，《想象英国可再生能源技术的公众和参与》，公共理解。科学21（2012），36-50。 [35] G.E.Barter、A.Robertson和W.Musial，《海上浮式风电成本优化的系统工程愿景》，《可再生能源焦点》34（2020），第1-16页。 [36] M.Bastankhah和F.Porté‐Agel，风力涡轮机尾迹的新分析模型，更新。能源70（2014），116-123。 [37] P.Bauer、B.Stevens和W.Hazeleger，绿色过渡的地球数字孪生兄弟，Nat.Clim。Chang.11（2021），80-83。 [38] M.A.Bazaz等人，《参数模型降阶技术综述》，《2012年IEEE信号处理、计算和控制国际会议论文集》，IEEE，2012年，第1-6页。 [39] C.Beaume、E.Knobloch、G.P.Chini和K.Julien，平行剪切流渐近简化描述中的精确相干结构，流体动力学研究47（2014），015504。 [40] A.Beck、D.Flad和C.‐D。Munz，数据驱动最小二乘闭合模型的深度神经网络，J.Compute。《物理学》第398卷（2019年），第108910页。 [41] G.Beintema等人，《通过强化学习控制瑞利-贝纳德对流》，2020年，arXiv预印本arXiv:2003.14358。 [42] A.Belochitski、P.Binev、R.DeVore、M.Fox‐Rabinovitz、V.Krasnopolsky和P.Lamby，NCAR CAM全球气候模型中长波辐射参数化的树近似，J.Compute。申请。数学236（2011），447-460。 [43] S.G.Benjamin、S.S.Weygandt、J.M.Brown、M.Hu、C.R.Alexander、T.G.Smirnova、J.B.Olson、E.P.James、D.C.Dowell、G.A.Grell等人，《北美小时同化和模型预测周期：快速刷新》，周一。《天气评论》144（2016），1669-1694。 [44] P.Benner、S.Gugercin和K.Willcox，参数动力系统基于投影的模型简化方法综述，SIAM Rev.57（2015），483-531·Zbl 1339.37089号 [45] G.Berkooz、P.Holmes和J.L.Lumley，湍流分析中的适当正交分解，Annu。《流体力学评论》25（1993），539-575。 [46] T.Berry、D.Giannakis和J.Harlim，《桥接数据科学和动力系统理论》，2020年，arXiv预印本arXiv:2002.07928·Zbl 1460.37074号 [47] S.Bhatnagar、Y.Afshar、S.Pan、K.Duraisamy和S.Kaushik，使用卷积神经网络预测空气动力流场，计算。机械部分64（2019），525-545·兹比尔1468.76051 [48] K.S.Björkevoll，《利用高保真模型进行实时状态检测，并结合北海自动MPD作业的现场实例》，《第二届国际会计师联合会海上石油天然气生产自动控制研讨会论文集》，弗洛里亚诺波利斯，圣卡塔里纳，2015年。 [49] P.E.Björstad和O.B.Widlund，在划分为子结构的区域上求解椭圆问题的迭代方法，SIAM J.Numer。分析23（1986），1097-1120·Zbl 0615.65113号 [50] E.Blayo、D.Cherel和A.Rousseau，《针对Navier-Stokes方程的优化Schwarz方法》，科学杂志。计算66（2016），275-295·Zbl 1381.76254号 [51] R.N.Bolton、J.R.McColl‐Kennedy、L.Cheung、A.Gallan、C.Orsingher、L.Witell和M.Zaki，《客户体验挑战：将数字、物理和社会领域结合起来》，J.Serv。Manag.29（2018），776-808。 [52] D.Bonvin和D.Mellichamp，模型简化模态方法的统一推导和批判性综述，Int.J.Control.35（1982），829-848·Zbl 0482.93008号 [53] W.M.Boon、J.M.Nordbotten和I.Yotov，裂缝性多孔介质中流动的稳健离散化，SIAM J.Numer。分析56（2018），2203-2233·Zbl 1402.65149号 [54] M.Brenner、J.Eldredge和J.Freund，《推进流体力学的机器学习透视》，物理。《流体版本4》（2019年），100501。 [55] S.L.Brunton和B.R.Noack，《闭环湍流控制：进展和挑战》，应用。机械。修订版67（2015），050801。 [56] S.L.Brunton、B.R.Noack和P.Koumoutsakos，《流体力学的机器学习》，年。《流体力学评论》52（2020），477-508·Zbl 1439.76138号 [57] S.L.Brunton、J.L.Proctor和J.N.Kutz，通过非线性动力系统的稀疏识别从数据中发现控制方程，Proc。国家。阿卡德。科学113（2016），3932-3937·Zbl 1355.94013号 [58] F.Bu和X.Wang，基于深度强化学习的智能农业物联网系统，Futur。通用。计算。系统99（2019），500-507。 [59] M.A.Bucci、O.Semeraro、A.Allauzen、G.Wisniewski、L.Cordier和L.Mathelin，通过深度强化学习控制混沌系统，Proc。R.Soc.A475（2019），20190351·Zbl 1472.68171号 [60] E.F.Camacho和C.B.Alba，模型预测控制，Springer Science&Business Media，纽约州纽约市，2013年。 [61] Y.Cao、M.Gunzburger、X.He和X.Wang，时间相关Stokes‐Darcy系统的并行、非迭代、多物理区域分解方法，数学。计算结果83（2014），1617-1644·Zbl 1457.65089号 [62] S.Chakraborty和S.Adhikari，基于机器学习的多时间尺度动态系统数字孪生模型，计算。结构243（2021），106410。 [63] T.F.Chan、E.Weinan和J.Sun，四阶椭圆问题的区域分解界面预条件，应用。数字。数学8（1991），317-331·Zbl 0755.65121号 [64] T.F.Chan等人，区域分解方法，第二届区域分解方法国际研讨会论文集，加利福尼亚州洛杉矶，1988年1月14日至16日，第1989页。 [65] T.F.Chan和T.P.Mathew，区域分解算法，《数值学报》3（1994），61-143·Zbl 0809.65112号 [66] D.Charte、F.Charte、S.García、M.J.delJesus和F.Herrera，《非线性特征融合的自动编码器实用教程：分类学、模型、软件和指南》，Inf.Fusion44（2018），78-96。 [67] A.Chatterjee，适当正交分解的介绍，Curr。《科学》第78卷第7期（2000年），第808-817页。 [68] F.Chevallier、F.Chéruy、N.Scott和A.Chèdin，快速准确计算长波辐射预算的神经网络方法，J.Appl。《气象》.37（1998），1385-1397。 [69] F.Chevallier和J.‐F。Mahfouf，变分数据同化红外辐射模型雅可比系数的评估，J.Appl。Meteorol.40（2001），1445-1461。 [70] F.Chinesta、E.Cueto、E.Abisset‐Chavanne、J.L.Duval和F.El Khaldi，《虚拟、数字和混合双胞胎：基于数据的工程和工程数据的新范式》，Arch。计算。方法工程27（2020），105-134。 [71] F.Chinesta、P.Ladeveze和E.Cueto，基于适当广义分解的模型降阶简要回顾，Arch。计算。方法工程18（2011），395-404。 [72] K.Cielibak、V.L.Ginzburg和E.Kerman，辛同调和辛子流形附近的周期轨道，Commentarii Mathematici Helvetici79（2004），554-581·Zbl 1073.53118号 [73] D.Ciresan、U.Meier和J.Schmidhuber，用于图像分类的多列深层神经网络，《2012年IEEE计算机视觉和模式识别会议论文集》，罗得岛州普罗维登斯，2012年，第3642-3649页。 [74] W.D.Collins，《大环流模型辐射计算中广义云重叠的参数化》，大气杂志。科学58（2001），3224-3242。 [75] L.W.Cook、A.A.Mishra、J.P.Jarrett、K.E.Willcox和G.Iacarino，《航空航天设计湍流模型不确定性下的优化》，Phys。流体31（2019），105111。 [76] I.A.Cosden和J.R.Lukes，使用LAMMPS和OpenFOAM的流体流动混合原子-组分模型，计算。物理学。Commun.184（2013），1958-1965年。 [77] M.Cranmer等人，《从带有归纳偏见的深度学习中发现符号模型》，2020年，arXiv预印本arXiv:2006.11287。 [78] T.Crestaux、O.Le Maítre和J.‐M。马丁内斯，灵敏度分析的多项式混沌展开，Reliab。工程系统。Saf.94（2009），1161-1172。 [79] C.D’Angelo和A.Quarteroni，《关于一维和三维扩散反应方程的耦合：组织灌注问题的应用》，数学。模型方法应用。科学.18（2008），1481-1504·Zbl 1359.35200号 [80] A.Debien、K.A.von Krbek、N.Mazellier、T.Duriez、L.Cordier、B.R.Noack、M.W.Abel和A.Kourta，《使用遗传编程对陡坡进行闭环分离控制》，实验流体57（2016），40。 [81] D.P.Dee和A.M.Da Silva，预测偏差存在时的数据同化，Q.J.R.Meteorol。Soc.124（1998），269-295。 [82] D.P.Dee和R.Todling，《存在预测偏差的数据同化：GEOS湿度分析》，周一。《天气评论》128（2000），3268-3282。 [83] M.Disacciati、P.Gervasio和A.Quarteroni，椭圆问题的接口控制域分解（ICDD）方法，SIAM J.control。Optim.51（2013），3434-3458·Zbl 1284.65180号 [84] DNVGL‐RP‐A204数字双胞胎的鉴定和保证，2020年。 [85] V.Dolean、P.Jolivet和F.Nataf，《区域分解方法简介：算法、理论和并行实现》，宾夕法尼亚州费城SIAM，2015年·Zbl 1364.65277号 [86] D.Dong和T.J.McAvoy，基于主曲线和神经网络的非线性主成分分析，计算。化学。Eng.20（1996），65-78。 [87] D.A.Donzis和K.Aditya，偏微分方程的异步有限差分格式，J.Compute。《物理学》274（2014），370-392·Zbl 1351.76162号 [88] J.D.Doyle、Q.Jiang和P.A.Reinecke，山波诱导湍流和旋翼的数值模拟和可预测性，《航空湍流》，纽约州斯普林格，2016年，357-384。 [89] Y.Duan等人，《连续控制的深度强化学习基准测试》，《机器学习国际会议论文集》，纽约市，美国纽约州，2016年，第1329-1338页。 [90] E.Weinan、B.Engquist和Z.Huang，异质多尺度方法：多尺度建模的通用方法，Phys。B67版（2003年），092101。 [91] E.Weinan、B.Engquist、X.Li、W.Ren和E.Vanden‐Eijnden，《异质多尺度方法：综述》，Commun。计算。《物理2》（2007），367-450·Zbl 1164.65496号 [92] B.Eckhardt和S.Zammert，平面Couette流中大雷诺数下的小尺度精确相干结构，非线性31（2018），R66·Zbl 1388.37079号 [93] J.L.Eftang、D.B.P.Huynh、D.J.Knezevic和A.T.Patera，一种两步认证的缩减基方法，J.Sci。计算51（2011），28-58·兹比尔1244.65172 [94] J.L.Eftang、D.J.Knezevic和A.T.Patera，参数化抛物型偏微分方程的hp认证简化基方法，数学。计算。模型。动态。系统17（2011），395-422·Zbl 1302.65223号 [95] Z.Elrazaz和N.Sinha，一些模型简化技术综述，加拿大。选举人。Eng.J.6（1981），第34-40页。 [96] B.Engquist和H.‐K。赵，区域分解的吸收边界条件，应用。数字。数学27（1998），341-365·Zbl 0935.65135号 [97] A.Fadai‐Ghotbi、C.Friess、R.Manceau和J.Borée，基于亚网格应力和椭圆混合传输方程的无缝混合RANS‐LES模型，Phys。《流体》22（2010），055104·Zbl 1190.76036号 [98] D.Fan、L.Yang、Z.Wang、M.S.Triantafylou和G.E.Karniadakis，实验和模拟中钝体主动流控制的强化学习，Proc。国家。阿卡德。科学117（2020），26091-26098。 [99] C.Farhat等人，《振动分析中模型形状不确定性的基于随机投影的超降阶模型》，《2018年AIAA非确定性方法会议论文集》，2018年，第1410页。 [100] C.Farhat和F.‐X。Roux，一种有限元撕裂和互连的方法及其并行求解算法，Int.J.Numer。方法工程32（1991），1205-1227·Zbl 0758.65075号 [101] C.A.Felippa和K.‐C。Park，耦合机械系统的交错瞬态分析程序：公式化，计算。方法应用。机械。工程24（1980），61-111·Zbl 0453.73091号 [102] C.A.Felippa，K.C。Park和C.Farhat，耦合机械系统的分区分析，计算。方法应用。机械。工程.190（2001），3247-3270·Zbl 0985.76075号 [103] J.Fish，《多尺度方法：跨越科学与工程的尺度》，牛津大学出版社，英国牛津，2010年·Zbl 1205.65009号 [104] E.Fonn、H.van Brummelen、T.Kvamsdal和A.Rasheed，稳定Navier-Stokes流的快速发散协调缩减基方法，计算。方法应用。机械。工程346（2019），486-512·兹比尔1440.76059 [105] M.Frank、D.Drikakis和V.Charissis，计算机科学与工程的机器学习方法。Des.8（2020），15。 [106] R.W.Freund，基于Krylov子空间的模型简化方法，《数值学报》12（2003），267-319·Zbl 1046.65021号 [107] M.Gad‐el Hak，流量控制的现代发展，应用。机械。第49（7）版（1996），365-379。 [108] M·J·甘德（M.J.Gander），施瓦兹（Schwarz）方法随时间推移，电子。事务处理。数字。分析31（2008），228-255·Zbl 1171.65020号 [109] M.J.Gander和O.Dubois，不连续系数扩散问题的优化Schwarz方法，数值。《算法》69（2015），109-144·Zbl 1314.65155号 [110] M.J.Gander和L.Halpern，过去二十年发展的局部自适应时间步进技术，收录于《科学与工程领域分解方法》XX，Springer，纽约州纽约市，2013年，377-385。 [111] M.J.Gander和T.Vanzan，二阶椭圆偏微分方程的非均匀优化Schwarz方法，SIAM J.Sci。计算41（2019年），A2329-A2354·Zbl 1428.65105号 [112] R.Ganguli和S.Adhikari，离散动态系统的数字孪生：初始方法和未来挑战，应用。数学。77型（2020年），1110-1128·Zbl 1481.70082号 [113] C.E.Garcia、D.M.Prett和M.Morari，《模型预测控制：理论与实践——调查》，《自动化》25（1989），335-348·Zbl 0685.93029号 [114] D.García‐Gil、J.Luengo、S.Garcí）和F.Herrera，《启用智能数据：大数据分类中的噪声过滤》，《信息科学》第479期（2019年），第135-152页。 [115] N.Gautier，J.‐L。Aider、T.Duriez、B.Noack、M.Segond和M.Abel，《使用机器学习的闭环分离控制》，J.Fluid Mech.770（2015），442-457。 [116] M.Gazzola、B.Hejazialhosseni和P.Koumoutsakos，用于模拟自航游泳运动员的强化学习和小波自适应涡方法，SIAM J.Sci。计算结果36（2014年），B622-B639·Zbl 1298.76248号 [117] M.W.Gee、U.Küttler和W.A.Wall，用于流体-结构相互作用的真正整体式代数多重网格，国际期刊Numer。方法工程85（2011），987-1016·Zbl 1217.74121号 [118] A.Geer，从观测中学习地球系统模型：机器学习还是数据同化？菲尔翻译。R.Soc.A379（2021），20200089。 [119] A.J.Geer，从观测中学习地球系统模型：机器学习还是数据同化？ECMWF技术备忘录，8632020。 [120] M.G.Geers、V.G.Kouznetsova、K.Matouš和J.Yvonnet，均化方法和多尺度建模：非线性问题，收录于《计算力学百科全书》第二版，John Wiley&Sons，Ltd，新泽西州霍博肯，2017年，第1-34页。 [121] A.Gittens等人，《大规模矩阵分解：使用三个案例研究比较spark和c+mpi中的科学数据分析》，2016年IEEE国际大数据会议论文集，美国华盛顿特区，2016年，第204-213页。 [122] G.H.Golub、M.W.Mahoney、P.Drineas和L.‐H。Lim，《架起数字线性代数、理论计算机科学和数据应用之间的桥梁》，SIAM News39（2006），1-3。 [123] I.Goodfellow、J.Pouget‐Abadie、M.Mirza、B.Xu、D.Warde‐Farley、S.Ozair、A.Courville和Y.Bengio，生成对抗性网络，高级神经网络程序。系统。(2014), 2672-2680. [124] P.Gosselet、V.Chiaruttini、C.Rey和F.Feyel，基于混合区域分解方法的多物理问题整体策略：多孔弹性的应用，《欧洲经济评论》13（2004），523-534·Zbl 1226.76038号 [125] W.D.Gropp和D.E.Keyes，计算流体动力学中的区域分解方法，国际数值杂志。方法流体14（1992），147-165·Zbl 0745.76062号 [126] L.Grüne和J.Pannek，非线性模型预测控制，非线性模型预估控制，Springer，New York，NY，2017，45-69·Zbl 1429.93003号 [127] S.Guo、A.K.Seth、K.M.Kendrick、C.Zhou和J.Feng，《部分格兰杰因果关系——消除外源输入和潜在变量》，神经科学杂志。方法172（2008），79-93。 [128] S.T.Ha、L.C.Ngo、M.Saeed、B.J.Jeon和H.Choi，血管三维流体结构相互作用问题的分区和整体方法的比较研究，J.Mech。科学。Technol.31（2017），281-287。 [129] B.Haasdonk和M.Ohlberger，通过离线/在线分解的参数化动力系统的有效简化模型和后验误差估计，数学。计算。模型。动态。系统17（2011），145-161·Zbl 1230.37110号 [130] M.T.Hagan、H.B.Demuth和M.Beale，《神经网络设计》，PWS Publishing Co.，Stillwater，Oklahoma，1997年。 [131] M.T.Hagan和M.B.Menhaj，用marquardt算法训练前馈网络，IEEE Trans。神经网络5（1994），989-993。 [132] S.Hakkaev、M.Stanislavova和A.Stefanov，正则化短脉冲和Ostrovsky方程的周期行波：存在性和稳定性，SIAM J.Math。分析49（2017），674-698·Zbl 1361.35038号 [133] G.Haller，拉格朗日相干结构，Annu。《流体力学评论》47（2015），137-162。 [134] F.Hamilton、A.L.Lloyd和K.B.Flores，动力系统的混合建模和预测，公共科学图书馆计算。生物13（2017），e1005655。 [135] H.X.Y.M.Hao‐Chen，L.D.Deb，H.L.J.‐L。T.Anil和K.Jain，《图像、图形和文本中的对抗性攻击和防御：综述》，《国际汽车杂志》。计算17（2020），151-178。 [136] D.Hartmann、M.Herz和U.Wever，《模型降阶-数字双胞胎的关键技术》，载于《模拟和优化降阶建模（ROM）》，纽约州斯普林格，2018年，167-179页。 [137] A.Heinlein、C.Hochmuth和A.Klawonn，《不可压缩流体流动问题用GDSW粗空间的整体重叠Schwarz区域分解方法》，SIAM J.Sci。计算41（2019），C291-C316·Zbl 1420.65034号 [138] A.Heinlein、A.Klawonn、M.Lanser和J.Weber，自适应区域分解方法中的机器学习-预测约束的几何位置，SIAM J.Sci。计算41（2019年），A3887-A3912·Zbl 1429.65065号 [139] L.Hewing、K.P.Wabersch、M.Menner和M.N.Zeilinger，《基于学习的模型预测控制：实现控制中的安全学习》，年。倒档控制机器人。自动命名。系统3（2020），269-296。 [140] G.E.Hinton和S.T.Roweis，随机邻居嵌入，高级神经网络过程。系统15（2002），857-864。 [141] G.E.Hinton和R.R.Salakhutdinov，用神经网络降低数据的维数，《科学》313（2006），504-507·Zbl 1226.68083号 [142] K.Hornik、M.Stinchcombe和H.White，多层前馈网络是通用逼近器，神经网络2（1989），359-366·Zbl 1383.92015年 [143] G.Houzeaux、J.Cajas、M.Discacciati、B.Eguzkitza、A.Gargallo‐Peiró、M.Rivero和M.Vázquez，用于域合成的域分解方法：Chimera、重叠、粘合和滑动网格方法，Arch。计算。方法工程24（2017），1033-1070·Zbl 1437.65220号 [144] M.A.Hsieh、H.Hajieghrary、D.Kularatne、C.R.Heckman、E.Forgoston、I.B.Schwartz和P.A.Yecko，《自我控制：利用环境提高自主性》，机器人研究，纽约州斯普林格，2018年，第387-402页。 [145] 谢伟伟，神经网络非线性主成分分析，Tellus A53（2001），599-615。 [146] 谢伟伟和唐伯伦，《将神经网络模型应用于气象学和海洋学的预测和数据分析》，布尔。阿默尔。美托洛尔。Soc.79（1998），1855-1870。 [147] D.Z.Huang、K.Xu、C.Farhat和E.Darve，使用深度神经网络从间接观测中学习本构关系，J.Compute。《物理学》第414卷（2020年），第109491页·Zbl 1437.65192号 [148] T.J.Hughes，《多尺度现象：格林函数》，《Dirichlet to‐Neumann公式》，《亚网格模型》，《气泡和稳定方法的起源》，《计算》。方法应用。机械。《工程》127（1995），387-401·Zbl 0866.76044号 [149] T.J.Hughes、G.R.Feijóo、L.Mazzei和J.‐B。昆西，变分多尺度方法——计算力学的范例，计算。方法应用。机械。Eng.66（1998），3-24·Zbl 1017.65525号 [150] T.J.Hughes、L.Mazzei和K.E.Jansen，大涡模拟和变分多尺度方法，计算。视觉。科学3（2000），47-59·Zbl 0998.76040号 [151] T.J.Hughes、L.Mazzei、A.A.Oberai和A.A.Wray，《大涡模拟的多尺度公式：均匀各向同性湍流的衰减》，《物理学》。《流体》13（2001），505-512·Zbl 1184.76236号 [152] D.B.P.Huynh、D.J.Knezevic、J.W.Peterson和A.T.Patera，部署平台上的高保真实时仿真，计算。《流体43》（2011年），第74-81页·Zbl 1452.65429号 [153] D.P.Huynh、D.J.Knezevic和A.T.Patera，经认证的缩减基模型验证：频率不确定性框架，计算。方法应用。机械。工程201-204（2012），13-24·Zbl 1239.93120号 [154] F.Iafrate，《从大数据到智能数据》，John Wiley&Sons，纽约州纽约市，2015年。 [155] J.M.James，《二次体积保持映射：（非）稳定流形、双曲动力学和涡泡分岔》，《非线性科学杂志》23（2013），585-615·Zbl 1277.37035号 [156] C.Japhet，优化Krylov‐Ventcell方法。对流扩散问题的应用，《第九届区域分解方法国际会议论文集》，美国纽约州纽约市，1998年，第382-389页。 [157] K.A.Johannessen、T.Kvamsdal和T.Dokken，使用LR B‐样条的等几何分析，计算。方法应用。机械。工程269（2014），471-514·Zbl 1296.65021号 [158] C.G.Johnson和P.Hansbo，计算力学中的自适应有限元方法，Comput。方法应用。机械。Eng.101（1992），143-181·Zbl 0778.73071号 [159] E.Kaiser、J.N.Kutz和S.L.Brunton，低数据极限下模型预测控制的非线性动力学稀疏辨识，Proc。R.Soc.A474（2018），20180335·Zbl 1425.93175号 [160] I.Kalashnikova和M.F.Barone，《关于具有固壁和远场边界处理的可压缩流Galerkin降阶模型（ROM）的稳定性和收敛性》，国际期刊Numer。方法工程83（2010），1345-1375·Zbl 1202.74123号 [161] S.V.Kalinin、B.G.Sumpter和R.K.Archibald，用于引导材料设计的成像中的大深度智能数据，Nat.Mater.14（2015），973-980。 [162] M.Kapteyn、D.Knezevic、D.Huynh、M.Tran和K.Willcox，《通过基于组件的降阶模型库实现基于数据驱动物理的数字双胞胎》，国际期刊Numer。方法工程（2020），1-18。http://doi/10.1002/nme.6423。 [163] M.G.Kapteyn、J.V.Pretorius和K.E.Willcox，《实现大规模预测数字双胞胎的概率图形模型基础》，2020年，arXiv预印本arXiv:2012.05841。 [164] M.G.Kapteyn和K.E.Willcox，《通过可解释机器学习从基于物理的模型到预测数字双胞胎》，2020年，arXiv预印本arXiv:2004.11356。 [165] K.Kashinath等人，《基于物理的机器学习：天气和气候建模案例研究》，Proc。R.Soc.A数学。物理学。《工程科学》379（2021），20200093。 [166] I.G.Kevrekidis、C.W.Gear、J.M.Hyman、P.G.Kevrekidid、O.Runborg和C.Theodoropoulos，无方程、粗粒度多尺度计算：使微观模拟器能够执行系统级分析，Commun。数学。科学1（2003），715-762·Zbl 1086.65066号 [167] I.G.Kevrekidis和G.Samaey，《无方程多尺度计算：算法和应用》，年。物理版。《化学》60（2009），321-344。 [168] D.E.Keyes、L.C.McInnes、C.Woodward、W.Gropp、E.Myra、M.Pernice、J.Bell、J.Brown、A.Clo和J.Connors，《多物理模拟：挑战与机遇》，国际高性能计算杂志。申请27（2013），4-83。 [169] J.P.Kleijnen，《模拟中的克里金元建模：综述》，欧洲期刊Oper。第192号决议（2009年），707-716·Zbl 1157.90544号 [170] D.J.Knezevic，北卡罗来纳州。Nguyen和A.T.Patera，参数化非定常Boussinesq方程的简化基近似和后验误差估计，数学。模型方法应用科学21（2011），1415-1442·Zbl 1279.76023号 [171] M.A.Kramer，使用自联想神经网络的非线性主成分分析，AICHE J.37（1991），233-243。 [172] V.M.Krasnopolsky、D.V.Chalikov和H.L.Tolman，《提高海洋数值模型计算效率的神经网络技术》，《海洋模型》4（2002），363-383。 [173] V.M.Krasnopolsky和M.S.Fox‐Rabinovitz，《数值气候建模和天气预测中结合确定性和机器学习组件的复杂混合模型》，神经网络19（2006），122-134。 [174] V.M.Krasnopolsky和M.S.Fox‐Rabinovitz，环境数值建模中的一种新的协同范式：结合确定性和机器学习组件的混合模型，Ecol。191号模型（2006年），5-18。 [175] V.M.Krasnopolsky、M.S.Fox‐Rabinovitz和D.V.Chalikov，大气模型物理计算的新方法：气候模型中长波辐射的准确快速神经网络仿真，Mon。《天气评论》133（2005），1370-1383。 [176] M.Kumar、T.Kvamsdal和K.A.Johannessen，自适应等几何分析中的简单后验误差估计，计算。数学。申请70（2015），1555-1582·兹比尔1443.65355 [177] M.Kumar、T.Kvamsdal和K.A.Johannessen，自适应等几何分析中的超收敛补丁恢复和后验误差估计技术，Comput。方法应用。机械。工程316（2017），1086-1156·Zbl 1439.74437号 [178] U.Küttler和W.A.Wall，具有动态松弛的固定点流体-结构相互作用求解器，计算。机械43（2008），61-72·Zbl 1236.74284号 [179] T.Kvamsdal和K.M.Okstad，使用静态容许应力场基于超收敛补丁恢复的误差估计，国际期刊Numer。方法工程42（1998），443-472·兹比尔0908.73076 [180] P.Ladevèze和D.Leguillon，有限元方法中的误差估计程序和应用，SIAM J.Numer。分析20（1983），485-509·Zbl 0582.65078号 [181] S.Lakshmivarahan和J.M.Lewis，《微调方法：大气、海洋和水文应用数据同化的关键概述》，第二卷，纽约州施普林格，2013年，第27-57页。 [182] U.Langer和H.Yang，鲁棒整体式流体-结构相互作用求解器的最新发展，FSI。模型。适应。离散。解算器Radon Ser。计算。申请。数学20（2016），169-192。 [183] T.Lassila、A.Manzoni、A.Quarteroni和G.Rozza，《流体动力学中的模型降阶：挑战与展望，建模和计算降阶的降阶方法》，Springer，纽约州纽约市，2014年，235-273·Zbl 1395.76058号 [184] W.Layton和M.Schneier，湍流涡流粘度模型诊断，包括基于数据驱动/神经网络的参数化，Res.Appl。数学8（2020），100099·Zbl 1445.76049号 [185] J.‐W.公司。Lee和J.‐H。哦，多层神经网络中映射及其雅可比矩阵的混合学习，《神经计算》9（1997），937-958。 [186] K.Lee和K.T.Carlberg，使用深度卷积自编码器对非线性流形上动力系统的模型简化，J.Compute。《物理学》第404卷（2020年），第108973页·Zbl 1454.65184号 [187] P.LeGresley和J.Alonso，使用基于适当正交分解的降阶模型进行翼型设计优化，《2000年流体会议和展览论文集》，丹佛，科罗拉多州，美国，2000年，第2545页。 [188] L.Lei和J.P.Hacker，《存在模型误差时数据同化的微调、集合和微调集合》，Mon。《天气评论》第143期（2015年），2600-2610。 [189] C.Leibig、V.Allken、M.S.Ayhan、P.Berens和S.Wahl，利用深层神经网络的不确定性信息进行疾病检测，科学。报告7（2017），1-14。 [190] J.Li和O.B.Widlund，FETI‐DP，BDDC和block Cholesky方法，Int.J.Numer。方法工程66（2006），250-271·Zbl 1114.65142号 [191] K.Li，J.Kou，and W.Zhang，《跨多马赫数非定常气动和气动弹性建模的深度神经网络》，非线性动力学96（2019），2157-2177。 [192] K.Li，K.Tang，T.Wu，and Q.Liao，D3m：偏微分方程的深域分解方法，IEEE Access8（2019），5283-5294。 [193] Y.Liang、H.Lee、S.Lim、W.Lin、K.Lee和C.Wu，《真正交分解及其应用——第一部分：理论》，J.Sound Vib.252（2002），527-544·Zbl 1237.65040号 [194] G.C.Linderman和S.Steinerberger，用t-SNE聚类，可证明，SIAM J.Math。数据科学1（2019），313-332·兹比尔1499.60259 [195] 第页。狮子，关于施瓦兹交替法。一、 第一届偏微分方程区域分解方法国际研讨会论文集，第1卷，法国巴黎，1988年，第42页·Zbl 0658.65090号 [196] P.‐L.公司。狮子，关于施瓦兹交替法。二、 在《随机解释和顺序所有权》中，T.F.Chan等人，编辑，区域分解方法，SIAM，费城，1989年，47-70·Zbl 0681.65072号 [197] 第页。狮子，关于施瓦兹交替法。三： 非重叠子域的变体，第三届偏微分方程区域分解方法国际研讨会论文集，第6卷，SIAM，宾夕法尼亚州费城，1990年，第202-223页·Zbl 0704.65090号 [198] G.J.S.Litjens、T.Kooi、B.E.Bejnordi、A.A.A.Setio、F.Ciompi、M.Ghafoorian、J.A.W.M.van derLaak、B.vanGinneken和C.I.Sánchez，《医学图像分析深度学习调查》，《医学影像分析》42（2017），第60-88页。 [199] 刘振中、姚振中、于浩、吴振中，深层强化学习及其在医学物联网肺癌检测中的应用，《未来》。通用。计算。系统97（2019），1-9。 [200] E.N.Lorenz，《可预测性：一个部分解决的问题》，载于《关于可预测性的研讨会论文集》，第1卷，论文编号：10829 ECMWF，英国雷丁市新菲尔德公园，1996年，1995年9月4日至8日。 [201] F.Lu，M.Zhong，S.Tang，和M.Maggioni，从轨迹数据中对智能体系统中相互作用规律的非参数推断，Proc。国家。阿卡德。科学116（2019），14424-14433·Zbl 1431.62122号 [202] D.J.Lucia、P.S.Beran和W.A.Silva，《降阶建模：计算物理的新方法》，Prog。Aerosp.航空公司。科学40（2004），51-117。 [203] P.Ma、Y.Tian、Z.Pan、B.Ren和D.Manocha，使用深度强化学习的流体定向刚体控制，ACM Trans。图37（2018），1-11。 [204] V.Machairas、A.Tsangrassoulis和K.Axarli，建筑设计优化算法：综述，更新。苏斯特。《能源》第31版（2014年），101-112。 [205] L.Machels、Y.Maday和A.T.Patera，椭圆偏微分方程降阶近似的输出界，计算。方法应用。机械。Eng.190（2001），3413-3426·Zbl 0984.65118号 [206] J.Macpherson，《技术焦点：钻井管理和自动化》，J.Pet。Technol.67（2015），136-136。 [207] M.Maggioni、S.Minsker和N.Strawn，《多尺度词典学习：非渐进边界和鲁棒性》，J.Mach。学习。第17号决议（2016年），43-93·Zbl 1360.68692号 [208] S.Marsland、J.Shapiro和U.Nehmzow，《需要时增长的自组织网络》，《神经网络》第15期（2002年），1041-1058。 [209] H.Martens，《定量大数据：化学计量学的贡献》，J.Chemom.29（2015），563-581。 [210] N.Massarotti、P.Nithiarasu、E.Samadiani和Y.Joshi，《通过适当的正交分解对数据中心进行降阶热建模：综述》，《国际数值杂志》。《热流体流动方法》20（2010），529-550。 [211] K.Matouš、M.G.Geers、V.G.Kouznetsova和A.Gillman，异质材料多尺度建模预测非线性理论综述，J.Compute。Phys.330（2017），192-220。 [212] R.Maulik等人，用于地球物理模拟的递归神经网络架构搜索，2020，arXiv预印本arXiv:2004.10928。 [213] R.Maulik和O.San，《湍流盲解卷积的神经网络方法》，《流体力学杂志》831（2017），151-181·Zbl 1421.76134号 [214] R.Maulik、O.San和J.D.Jacob，使用机器学习分类器进行时空动态隐式大涡模拟，Physica D非线性现象406（2020），132409·Zbl 1489.76030号 [215] R.Maulik、O.San、J.D.Jacob和C.Crick，通过深度学习进行子网格尺度模型分类和混合，J.Fluid Mech.870（2019），784-812·Zbl 1419.76370号 [216] R.Maulik、O.San、A.Rasheed和P.Vedula，《Kraichnan湍流大涡模拟的数据驱动反褶积》，物理。流感30（2018），125109。 [217] R.Maulik、O.San、A.Rasheed和P.Vedula，《使用神经网络对二维湍流进行子网格建模》，《流体力学杂志》第858期（2019年），第122-144页·Zbl 1415.76405号 [218] D.Q.Mayne，《模型预测控制：近期发展和未来展望》，Automatica50（2014），2967-2986·Zbl 1309.93060号 [219] H.Melbö和T.Kvamsdal，基于变量一致后处理的stokes方程的面向目标误差估计，计算。方法应用。机械。工程.192（2003），613-633·Zbl 1024.76024号 [220] G.Mendonça、F.Afonso和F.Lau，《空气动力学模型降阶：回顾与应用》，Proc。仪器机械。工程部分G J.Aerosp。工程233（2019），5816-5836。 [221] C.Meneveau，《大风力：湍流研究的七个问题》，J.Turbul.20（2019），2-20。 [222] E.Meyer等人，《使用深度强化学习的无人水面车辆符合COLREG的碰撞避免》，2020年，arXiv预印本arXiv:2006.09540。 [223] E.Meyer、H.Robinson、A.Rasheed和O.San，使用深度强化学习驯服自动水面车辆，IEEE Access8（2020），41466-41481。 [224] I.Mezić，通过Koopman算子的光谱特性分析流体流动，Annu。《流体力学评论》45（2013），357-378·Zbl 1359.76271号 [225] M.P.Mignolet、A.Przekop、S.A.Rizzi和S.M.Spottswood，《非线性几何结构的间接/非侵入降阶建模综述》，J.Sound Vib.332（2013），2437-2460。 [226] G.Miguez‐Macho、G.L.Stenchikov和A.Robock，在区域气候模型模拟中消除区域位置和几何形状影响的光谱微调，J.Geophys。《大气研究》109（2004），D13104。 [227] A.Mittal和S.Girimaji，代理方程范式：大规模并行异步计算的策略，Phys。版本E96（2017），033304。 [228] V.Mnih、K.Kavukcuoglu、D.Silver、A.A.Rusu、J.Veness、M.G.Bellemare、A.Graves、M.Riedmiller、A.K.Fidjeland、G.Ostrovski等人，《通过深度强化学习进行人的层面控制》，《自然》518（2015），529-533。 [229] K.Mohamed和A.Mohamad，《稠密流体的混合原子-组分方法发展综述》，《微流体》。纳米流体。8（2010），283-302。 [230] A.T.Mohan等人，《在3D湍流的神经网络粗粒化中嵌入硬物理约束》，2020年。arXiv预打印arXiv:2002.0021。 [231] A.H.Monahan，《神经网络非线性主成分分析：洛伦兹系统的理论和应用》，J.Clim.13（2000），821-835。 [232] B.C.Moore，线性系统的主成分分析：可控性、可观测性和模型简化，IEEE Trans。自动。《控制》26（1981），17-32·Zbl 0464.93022号 [233] Y.Mori、M.Kuroda和N.Makino，《非线性主成分分析及其应用》，德国柏林施普林格出版社，2016年·Zbl 1366.62011年 [234] K.R.Muske和J.B.Rawlings，线性模型预测控制，AICHE J.39（1993），262-287。 [235] S.Niroomandi、I.Alfaro、E.Cueto和F.Chinesta，《基于降阶模型的软组织实时模拟中的大变形解释》，Comput。方法进展。《生物》105（2012），1-12。 [236] B.R.Noack、M.Morzynski和G.Tadmor，流量控制的降阶建模，第528卷，Springer科学与商业媒体，纽约州纽约市，2011年。 [237] A.K.Noor和J.M.Peters，结构非线性分析的简化基础技术，AIAA J.18（1980），455-462。 [238] K.Nordanger、R.Holdahl、T.Kvamsdal、A.M.Kvarving和A.Rasheed，使用等几何不可压缩navier-stokes解算器和Spalart-Allmaras湍流模型模拟2d naca0015翼型的气流，计算。方法应用。机械。工程290（2015），183-208·Zbl 1423.76184号 [239] K.Nordanger、R.Holdahl、A.M.Kvarving、A.Rasheed和T.Kvamsdal，三种等几何Navier-stokes解算器的实现和比较，用于模拟高雷诺数下固定二维naca0012翼型的流动，Comput。方法应用。机械。Eng.284（2015），664-688等几何分析专刊·Zbl 1425.65118号 [240] K.Nordanger、A.Rasheed、K.M.Okstad、A.M.Kvarving、R.Holdahl和T.Kvamsdal，《流体-结构相互作用的数值基准：等几何有限元方法》，《海洋工程》124（2016），324-339。 [241] J.M.Nordbotten、W.M.Boon、A.Fumagalli和E.Keilegavlen，裂隙多孔介质中流动离散化的统一方法，计算。《地质学》23（2019），225-237·Zbl 1414.76064号 [242] G.Novati、H.L.deLaroussilhe和P.Koumoutsakos，《通过多智能体强化学习实现湍流建模自动化》，2020年，arXiv预印本arXiv:2005.09023。 [243] S.T.O'connell和P.A.Thompson，《分子动力学-包含混合计算：研究复杂流体流动的工具》，Phys。版本E52（1995），R5792。 [244] K.M.Okstad、T.Kvamsdal和K.M..Mathisen，《使用静态容许应力合成场解决板问题的超收敛补片恢复》，国际数值杂志。方法工程44（1999），697-727·Zbl 0939.74070号 [245] Y.S.Ong、P.B.Nair和A.J.Keane，通过代理建模对计算成本高的问题进行进化优化，AIAA J.41（2003），687-696。 [246] S.E.Otto和C.W.Rowley，学习动力学的线性递归自动编码器网络，SIAM J.Appl。动态。系统18（2019），558-593·Zbl 1489.65164号 [247] S.Pan和K.Duraisamy，《保证稳定性的非线性动力学线性嵌入的物理信息概率学习》，SIAM J.Appl。动态。系统19（2020），480-509·Zbl 1442.37090号 [248] M.Paraschivoiu、J.Peraire和A.T.Patera，椭圆偏微分方程线性函数输出的后验有限元界，计算。方法应用。机械。Eng.150（1997），289-312·Zbl 0907.65102号 [249] T.Passerini、M.De Luca、L.Formaggia、A.Quarteroni和A.Veneziani，《脑血管3D/1D几何多尺度模型》，《工程数学杂志》64（2009），第319页·Zbl 1168.76394号 [250] J.Pathak、A.Wikner、R.Fussell、S.Chandra、B.R.Hunt、M.Girvan和E.Ott，《混沌过程的混合预测：结合基于知识的模型使用机器学习》，《混沌跨学科》。《非线性科学杂志》28（2018），041101。 [251] L.F.Pavarino和A.Toselli，区域分解方法的最新发展，第23卷，Springer Science&Business Media，纽约，2012年。 [252] G.Pavliotis和A.Stuart，《多尺度方法：平均和均匀化》，Springer科学与商业媒体，纽约州纽约市，2008年·Zbl 1160.35006号 [253] S.Pawar、S.E.Ahmed和O.San，《流体动力学中的界面学习：微观-宏观耦合模型中闭包的统计推断》，Phys。流体32（2020），091704。 [254] S.Pawar、S.E.Ahmed、O.San和A.Rasheed，流体流动降阶建模中隐藏物理的数据驱动恢复，Phys。流感32（2020），036602。 [255] S.Pawar、S.E.Ahmed、O.San和A.Rasheed，《隐藏流体动力学的进化-然后纠正的降阶模型》，《数学》8（2020），570。 [256] S.Pawar、S.E.Ahmed、O.San、A.Rasheed和I.M.Navon，地球物理流非线性数据同化的长期-短期记忆嵌入微调方案，Phys。流体32（2020），076606。 [257] S.Pawar、S.Rahman、H.Vaddireddy、O.San、A.Rasheed和P.Vedula，流体流动非侵入降阶建模的深度学习促进者，Phys。流体31（2019），085101。 [258] S.Pawar、O.San、B.Aksoylu、A.Rasheed和T.Kvamsdal，《使用简化理论的物理引导机器学习》，《物理学》。流感33（2021），011701。 [259] S.Pawar、O.San、A.Rasheed和P.Vedula，《深度学习Kraichnan湍流亚网格尺度参数化的先验分析》，Theor。计算。流体动力学34（2020），429-455。 [260] S.A.Pawar和O.San，Kuramoto‐Sivashinsky方程顺序数据同化方法的比较研究，AIAA SCITECH 2021论坛，美国航空航天研究所，虚拟事件，2021年，1749年。 [261] M.Pedneault，C.Turc，和Y.Boubendir，Schur，多重散射问题求解的补充区域分解方法，IMA J.Appl。数学82（2017），1104-1134·Zbl 1480.65362号 [262] R.Pinnau，通过适当正交分解进行模型降阶，《模型降阶：理论、研究方面和应用》，施普林格，德国柏林，2008年，95-109·Zbl 1154.93012号 [263] E.S.Politis、J.Prospathopoulos、D.Cabezon、K.S.Hansen、P.Chaviaropoulos和R.J.Barthemie，《复杂地形下大型风电场尾流效应建模：问题、方法和问题》，风能15（2012），161-182。 [264] T.A.Porsching，非线性方程简化基方法解的误差估计，数学。计算45（1985），487-487·Zbl 0586.65040号 [265] A.Quarteroni，区域分解方法，微分问题数值模型，Springer，纽约州纽约市，2017年，555-612。 [266] A.Quarteroni和G.Rozza，建模和计算简化的降阶方法，第9卷，瑞士查姆施普林格，2014年·Zbl 1280.65004号 [267] A.Quarteroni和A.Valli，偏微分方程的区域分解方法，牛津大学出版社，英国牛津，1999年·Zbl 0931.65118号 [268] A.Quartroni和A.Veneziani，基于ODE和PDE耦合的血流模拟几何多尺度模型分析，多尺度模型。模拟1（2003），173-195·Zbl 1060.35003号 [269] A.Quarteroni、A.Veneziani和C.Vergara，心血管系统的几何多尺度建模，理论与实践之间，计算机。方法应用。机械。工程302（2016），193-252·Zbl 1423.76528号 [270] N.V.Queipo、R.T.Haftka、W.Shyy、T.Goel、R.Vaidyanathan和P.K.Tucker，基于代理的分析和优化，Prog。Aerosp.航空公司。科学41（2005），1-28。 [271] J.Rabault、M.Kuchta、A.Jensen、U.Réglade和N.Cerardi，通过深度强化学习训练的人工神经网络，发现主动流控制的控制策略，J.Fluid Mech.865（2019），281-302·Zbl 1415.76222号 [272] C.Rackauckas等人，《科学机器学习的通用微分方程》，2020年，arXiv预印本arXiv:2001.04385。 [273] R.Radu、M.Déqué和S.Somot，光谱区域气候模型中的光谱微调，Tellus a Dyn。美托洛尔。Oceanogr.60（2008），898-910。 [274] S.Rahman、O.San和A.Rasheed，正压准地转湍流模型降阶的混合方法，Fluids3（2018），86。 [275] S.M.Rahman、S.Pawar、O.San、A.Rasheed和T.Iliescu，准地转湍流的非侵入降阶建模框架，Phys。版本E100（2019），053306。 [276] M.Raissi、P.Perdikaris和G.E.Karniadakis，《基于物理的神经网络：解决涉及非线性偏微分方程的正向和反向问题的深度学习框架》，J.Compute。《物理学》378（2019），686-707·Zbl 1415.68175号 [277] A.Rasheed，O.San和T.Kvamsdal，《数字孪生：从建模角度来看的价值、挑战和使能技术》，IEEE Access8（2020），21980-22012。 [278] S.Razavi、B.A.Tolson和D.H.Burn，《水资源中的代理建模回顾》，水资源。第48号决议（2012年），W07401。 [279] G.Reddy、A.Celani、T.J.Sejnowski和M.Vergassola，《学会在湍流环境中翱翔》，Proc。国家。阿卡德。科学113（2016），E4877-E4884。 [280] M.Reichstein、G.Camps‐Valls、B.Stevens、M.Jung、J.Denzler、N.Carvalhais等人，《数据驱动地球系统科学的深度学习和过程理解》，《自然》566（2019），195-204。 [281] J.Reiss、P.Schulze、J.Sesterhenn和V.Mehrmann，移位本征正交分解：多重输运现象的模式分解，SIAM J.Sci。计算结果40（2018年），A1322-A1344·Zbl 1446.65212号 [282] F.Ren、J.Rabault和H.Tang，将深度强化学习应用于湍流条件下的主动流量控制，2020年，arXiv预印本arXiv:2006.10683。 [283] F.Ren、C.Wang和H.Tang，使用机器学习主动控制圆柱的涡激振动，Phys。流体31（2019），093601。 [284] M.Restelli和F.X.Giraldo，非静力中尺度模拟中Navier-Stokes方程的保守间断Galerkin半隐式公式，SIAM J.Sci。计算31（2009），2231-2257·Zbl 1405.65127号 [285] H.Robinson、A.Rasheed和O.San，《剖析深层神经网络》，2019年，arXiv电子版，arXiv:1910.03879。 [286] B.Rockel、C.L.Castro、R.A.PielkeSr.、。，H.vonStratch和G.Leoncini，《动态降尺度：两种不同区域气候模型依赖于模型系统的保留和增加变异性评估》，J.Geophys。《大气研究》113（2008），D21107。 [287] C.W.Rowley和S.T.Dawson，流量分析和控制的模型简化，年。《流体力学评论》49（2017），387-417·Zbl 1359.76111号 [288] C.J.Roy，《计算模拟的代码和解决方案验证程序审查》，J.Compute。《物理学》205（2005），131-156·Zbl 1072.65118号 [289] G.Rozza、D.B.P.Huynh和A.T.Patera，仿射参数化椭圆强制偏微分方程的约化基近似和后验误差估计，Arch。计算。方法工程15（2008），229-275·Zbl 1304.65251号 [290] M.S.Rudolph等人，《使用离子阱量子计算机生成高分辨率手写数字》，2020年，arXiv预印本arXiv:2012.03924。 [291] D.Sacha、M.Sedlmair、L.Zhang、J.A.Lee、J.Peltonen、D.Weiskopf、S.C.North和D.A.Keim，《你所看到的是你可以改变的：通过交互式可视化进行以人为中心的机器学习》，《神经计算》268（2017），164-175。 [292] P.Sagaut，《湍流中的多尺度和多分辨率方法：LES、DES和混合RANS/LES方法：应用和指南》，帝国学院出版社，丹弗斯，马萨诸塞州，2013年·Zbl 1275.76004号 [293] P.Sakov和P.R.Oke，集合卡尔曼滤波器的确定性公式：集合平方根滤波器的替代方法，Tellus A Dyn。美托洛尔。Oceanogr.60（2008），361-371。 [294] O.San和J.Borggaard，对流Boussinesq流POD降阶建模的主要区间分解框架，国际期刊Numer。方法流体78（2015），37-62。 [295] O.San和R.Maulik，非线性模型降阶的神经网络闭包，高级计算。数学44（2018），1717-1750·兹比尔1404.37101 [296] R.A.Sauer和T.Luginsland，固体和液体膜（包括自由表面接触）的整体式流体-结构相互作用公式，计算。方法应用。机械。工程341（2018），1-31·Zbl 1440.74129号 [297] S.Scher和G.Messori，《使用神经网络进行天气和气候预测：使用具有不同复杂性的大气环流模型（GCM）作为研究基地》，Geosci。模型开发12（2019），2797-2809。 [298] J.Schmidt、M.R.Marques、S.Botti和M.A.Marques，《固体材料科学中机器学习的最新进展和应用》，计算机。Mater.5（2019），1-36。 [299] M.Schmidt和H.Lipson，《从实验数据中提取自由形式的自然法则》，《科学》324（2009），第81-85页。 [300] M.Schubert‐Frisius、F.Feser、H.vonStratch和S.Rast，《全球动态降尺度的最佳光谱微调》，周一。《天气评论》145（2017），909-927。 [301] S.C.Shadden、F.Lekien和J.E.Marsden，二维非周期流中有限时间Lyapunov指数的拉格朗日相干结构的定义和性质，《物理D非线性现象》212（2005），271-304·Zbl 1161.76487号 [302] S.Shankaran等人，《燃烧室/涡轮机械模拟的多代码耦合接口》，第39届航空航天科学会议论文集和展览，美国内华达州里诺，2001年，第974页。 [303] C.R.Shapiro、D.F.Gayme和C.Meneveau，《偏航风力涡轮机尾迹建模：提升线方法》，J.Fluid Mech.841（2018），R1·Zbl 1419.76072号 [304] P.Shaver，《科学的崛起：从史前到遥远的未来》，施普林格，德国柏林，2018年。 [305] D.Shen、G.Wu和H.‐I。Suk，医学图像分析深度学习，Annu。生物识别版本。工程19（2017），221-248。 [306] S.M.Sheth和R.M.Younis，两相流和输运顺序隐式模拟中的局部线性系统，SPE J.22（2017），1-542。 [307] S.Shimomura、S.Sekimoto、A.Oyama、K.Fujii和H.Nishida，使用机翼深q网络的闭环流量分离控制，AIAA J.58（2020），4260-4270。 [308] M.L.Shur、P.R.Spalart、M.K.Strelets和A.K.Travin，《具有延迟DES和壁模型LES功能的混合RANS‐LES方法》，《国际热流学杂志》29（2008），1638-1649。 [309] M.S.Siddiqui、A.Rasheed、M.Tabib和T.Kvamsdal，NREL 5 MW风力涡轮机建模框架和几何近似的数值研究，更新。能源132（2019），1058-1075。 [310] S.Sirisup、G.E.Karniadakis、D.Xiu和I.G.Kevrekidis，无方程/无Galerkin POD辅助不可压缩流计算，J.Compute。《物理学》207（2005），568-587·Zbl 1213.76146号 [311] A.M.Soane和A.Draganescu，稳态Navier-Stokes方程最优控制中Newton-Krylov方法的多重网格预条件，SIAM J.Numer。分析57（2019），1494-1523·Zbl 1420.65025号 [312] G.Stabile、F.Ballarin、G.Zuccarino和G.Rozza，湍流的降阶变分多尺度方法，高级计算。数学45（2019），2349-2368·Zbl 1435.65165号 [313] D.R.Stauffer和J.‐W。Bao，使用伴随方程优化确定微调系数，Tellus A45（1993），358-369。 [314] B.Suri、J.Tithof、R.O.Grigoriev和M.F.Schatz，《使用湍流几何学预测流体流动》，《物理学》。修订版Lett.118（2017），114501。 [315] R.S.Sutton和A.G.Barto，《强化学习：导论》，麻省理工学院出版社，马萨诸塞州剑桥，2018·Zbl 1407.68009号 [316] C.Szegedy等人，Inception‐v4，Incept‐ResNet和剩余联系对学习的影响，第31届AAAI人工智能会议论文集，加利福尼亚州旧金山，2017年2月4日至9日。 [317] P.Tahmasebi、S.Kamrava、T.Bai和M.Sahimi，《地球与环境科学中的机器学习：从小规模到大规模》，《高级水资源》142（2020），103619。 [318] K.Taira、S.L.Brunton、S.T.Dawson、C.W.Rowley、T.Colonius、B.J.McKeon、O.T.Schmidt、S.Gordeyev、V.Theofilis和L.S.Ukeiley，《流体流动的模态分析：概述》，AIAA J.55（2017），4013-4041。 [319] K.Taira、M.S.Hemati、S.L.Brunton、Y.Sun、K.Duraisamy、S.Bagheri、S.T.Dawson和C.‐A。Yeh，《流体流动的模态分析：应用与展望》，AIAA J.58（2020），998-1022。 [320] D.J.Tait和T.Damoulas，偏微分方程反问题的变分自动编码，2020年，arXiv预印本arXiv:2006.15641。 [321] K.Tan和M.Borsboom，《关于广义Schwarz耦合的应用》，《第七届领域分解国际会议论文集》，1993年10月27-30日，宾夕法尼亚州立大学，普罗维登斯，R.I.：美国数学学会，1994年，当代数学，第180卷，美国数学学会，1994年，第125页·Zbl 0817.65076号 [322] H.Tang、R.Haynes和G.Houzeaux，《流体流动模拟的区域分解方法综述：概念、算法和应用》，Arch。计算。方法。工程28（2021），841-873。 [323] H.Tang，L.Li，M.Grossberg，Y.Liu，Y.Jia，S.Li和W.Dong，机器学习耦合偏微分方程数值解的探索性研究，Commun。非线性科学。数字。模拟97（2021），105729·Zbl 1462.65217号 [324] 唐永华，谢伟伟，通过变分数据同化将神经网络耦合到不完全动力系统，孟。《天气评论》129（2001），818-834。 [325] F.Tao、H.Zhang、A.Liu和A.Y.Nee，《工业数字孪生兄弟：最新技术》，IEEE Trans。Ind.Inform.15（2018），2405-2415。 [326] T.E.Tezduyar和S.Sathe，《流体-结构与时空有限元相互作用的建模：求解技术》，国际数值杂志。方法流体54（2007），855-900·Zbl 1144.74044号 [327] S.Theie Havenström、A.Rasheed和O.San，《自动水下航行器3D路径跟踪和防撞的深层强化学习控制器》，arXiv，2020年，arXiv-2006年。 [328] C.Theodoropoulos，《大尺度非线性系统的优化和线性控制：基于模型降阶的技术综述和一套》，载于《应对复杂性：模型降阶和数据分析》，Springer，New York，NY，2011，37-61。 [329] S.Thorpe、J.Malarkey、G.Voet、M.Alford、J.Girton和G.Carter，《内部液压跳跃模型的应用》，J.Fluid Mech.834（2018），125-148·Zbl 1419.76349号 [330] M.Tokarev、E.Palkin和R.Mullyadzhanov，《使用低雷诺数旋转振荡对气缸流量进行深度强化学习控制》，《能源》13（2020），5920。 [331] A.Toselli和O.Widlund，区域分解方法——算法和理论，第34卷，Springer科学与商业媒体，纽约州纽约市，2006年。 [332] X.Tu和J.Li，三维不可压缩Stokes方程的FETI-DP型区域分解算法，SIAM J.Numer。分析53（2015），720-742·Zbl 06440267号 [333] H.Vaddireddy、A.Rasheed、A.E.Staples和O.San，《从稀疏传感器观测数据中检测隐藏物理的特征工程和符号回归方法》，Phys。流体32（2020），015113。 [334] H.Vaddireddy、A.Rasheed、A.E.Staples和O.San，《从稀疏传感器检测隐藏物理的特征工程和符号回归方法》，Phys。流体32（2020），015113。 [335] E.Van Brummelen，流体-结构相互作用的分区迭代求解方法，国际期刊Numer。方法流体65（2011），3-27·Zbl 1427.74049号 [336] L.van derMaaten和G.Hinton，使用t-SNE可视化数据，J.Mach。学习。Res.9（2008），第2579-2605号决议·兹比尔1225.68219 [337] S.Vashithha和S.Verma，使用深度强化学习恢复混沌，混沌跨学科。《非线性科学杂志》30（2020），031102。 [338] P.Veers、K.Dykes、E.Lantz、S.Barth、C.L.Bottaso、O.Carlson、A.Clifton、J.Green、P.Green和H.Holttinen等人，《风能科学的重大挑战》，《科学》366（2019），eaau2027。 [339] S.Verma、G.Novati和P.Koumoutsakos，通过深度强化学习利用旋涡实现高效集体游泳，Proc。国家。阿卡德。科学.115（2018），5849-5854。 [340] R.Vidal等人，《深度学习数学》，2017年，arXiv预印本arXiv:1712.04741。 [341] P.Vidard、F.Le Dimet和A.Piacentini，最佳轻推系数的确定，Tellus A Dyn。美托洛尔。Oceanogr.55（2003），1-15。 [342] P.R.Vlachas、W.Byeon、Z.Y.Wan、T.P.Sapsis和P.Koumoutsakos，《长短期记忆网络高维混沌系统的数据驱动预测》，Proc。R.Soc.A数学。物理。《工程科学》474（2018），20170844·Zbl 1402.92030 [343] H.vonStratch、H.Langenberg和F.Feser，《用于动态降尺度目的的光谱微调技术》，孟买。《天气评论》128（2000），3664-3673。 [344] M.B.Wagner、A.Younan、P.Allaire和R.Cogill，《转子动力学分析的模型简化方法：综述》，《国际旋转机械杂志》2010年（2010），第273716页。 [345] K.M.Waldron、J.Paegle和J.D.Horel，光谱过滤和微调有限区域模型对外部模型选项的敏感性，周一。《天气评论》124（1996），529-547。 [346] F.Waleff，《通道流中的精确相干结构》，《流体力学杂志》第435页（2001年），第93页·Zbl 0987.76034号 [347] Z.Y.Wan、P.Vlachas、P.Koumoutsakos和T.Sapsis，《复杂动力系统中极端事件的数据辅助降阶建模》，《公共科学图书馆·综合》13（5）（2018），e0197704。 [348] P.A.Watson，《使用经验误差修正应用机器学习改进混沌动力学系统的模拟》，J.Adv.Model。地球系统11（2019），1402-1417。 [349] M.F.Wheeler和I.Yotov，地下水流建模的物理和计算域分解，Contemp。《数学》218（1998），217-228·Zbl 0957.76037号 [350] A.Wikner、J.Pathak、B.Hunt、M.Girvan、T.Arcomano、I.Szunyogh、A.Pomerance和E.Ott，《将机器学习与基于知识的建模相结合，用于大规模、复杂时空系统的可伸缩预测和亚网格规模闭合》，《混沌跨学科》。《非线性科学杂志》30（2020），053111。 [351] J.Willard等人，《将基于物理的建模与机器学习相结合：一项调查》，2020年，arXiv预印本arXiv:2003.04919。 [352] J.‐L.公司。Wu，H.Xiao和E.Paterson，《增强湍流模型的基于物理的机器学习方法：综合框架》，Phys。流体3版（2018），074602。 [353] J.Xu和K.Duraisamy，时空动力学参数预测的多级卷积自动编码器网络，计算。方法应用。机械。工程372（2020），113379·Zbl 1506.68111号 [354] J.Xu、C.Huang和K.Duraisamy，使用截断域训练的燃烧室不稳定性降阶建模框架，AIAA J.58（2020），618-632。 [355] Y.Xu、A.Hosny、R.Zeleznik、C.Parmar、T.Coroller、I.Franco、R.H.Mak和H.J.Aerts，深度学习从系列医学成像预测肺癌治疗反应，临床。癌症研究25（2019），3266-3275。 [356] R.Yondo、K.Bobrowski、E.Andrés和E.Valero，《空气动力学分析和优化的替代建模技术综述：工业中的当前限制和未来挑战》，《工程和科学中设计、优化和控制的进化和确定性方法进展》，斯普林格，纽约，NY，2019，19-33。 [357] H.You、Y.Yu和D.Kamensky，无重叠区域的局部到非局部耦合问题的渐近相容公式，计算。方法应用。机械。工程366（2020），113038·Zbl 1442.74244号 [358] J.Yu、C.Yan和M.Guo，流体问题的非侵入式降阶模型：简要回顾，Proc。仪器机械。工程师G J.Aerosp。工程233（2019），5896-5912。 [359] X.Yuan、P.He、Q.Zhu和X.Li，对抗性例子：深度学习的攻击和防御，IEEE Trans。神经网络。学习。系统30（2019），2805-2824。 [360] 总承包商。Zha，B.F.Carroll，C.D.Paxton，C.A.Conley和A.Wells，使用同流射流控制的高性能翼型，AIAA J.45（2007），2087-2090。 [361] F.Zhang等人，《面向机器人运动控制的基于视觉的深度强化学习》，2015年，arXiv预印本arXiv:1511.03791。 [362] Y.Zhang、W.J.Sung和D.N.Mavris，卷积神经网络在预测翼型升力系数中的应用，《2018年AIAA/ASCE/AHS/ASC结构、结构动力学和材料会议论文集》，佛罗里达州基西米，2018年，第1903页。 [363] B.Zhu、J.Z.Liu、S.F.Cauley、B.R.Rosen和M.S.Rosen，通过域变换流形学习进行图像重建，Nature555（2018），487-492。 [364] S.Zhu和A.P.Piotrowski，《使用人工智能模型进行河流/溪流水温预测：系统综述》，《地球物理学学报》68（2020），1433-1442。 [365] Y.Zhu，N.Zabaras，P.‐S。Koutsourelakis和P.Perdikaris，《无标记数据的高维替代建模和不确定性量化的物理约束深度学习》，J.Compute。《物理学》第394卷（2019年），第56-81页·Zbl 1452.68172号 [366] O.C.Zienkiewicz和J.Z.Zhu，实际工程分析的简单误差估计器和自适应程序，国际数值杂志。方法工程24（1987），337-357·Zbl 0602.73063号 [367] O.C.Zienkiewicz和J.Z.Zhu，超收敛补丁恢复和后验误差估计。第1部分：回收技术，国际期刊Numer。方法工程33（1992），1331-1364·Zbl 0769.73084号 [368] O.C.Zienkiewicz和J.Z.Zhu，超收敛补丁恢复和后验误差估计。第2部分：误差估计和自适应性，国际数学家杂志。方法工程33（1992），1365-1382·Zbl 0769.73085号 [369] X.Zou，I.M.Navon和F.Le Dimet，使用参数估计的最佳微调数据同化方案，Q.J.R.Meteorol。Soc.118（1992），1163-1186。 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。