×
段瑜;马修·伊顿。;迈克尔·布拉克。

用于计算机模型的固定诱导点在线贝叶斯校准，并应用于尺度重解CFD模拟。 （英语） Zbl 07508536号

J.计算。物理学。 434，文章ID 110243，14 p.（2021）.
摘要：本文提出了一种新的固定诱导点在线贝叶斯校准（FIPO-BC）算法，利用基准数据库有效地学习模型参数。标准贝叶斯校准（STD-BC）算法提供了一种统计方法来校准计算昂贵的模型的参数。然而，STD-BC算法在数据点数量方面的伸缩性不好，并且缺乏在线学习能力。提出的FIPO-BC算法大大提高了算法的计算效率，此外，通过在一组预定义的诱导点上执行校准，可以实现在线校准。
为了演示FIPO-BC算法的过程，进行了两个测试，找到了最佳值并探索了1）简单函数中的参数和2）尺度重解湍流模型（尺度自适应模拟剪切应力传输模型/SAS-SST）中的高波数阻尼因子的后验分布。将具有不同诱导点的FIPO-BC与STD-BC的结果（如校正模型参数及其后验分布）进行了比较。研究发现，一旦FIPO-BC中预先定义的诱导点集足够精细，FIPO-BC和STD-BC可以提供非常相似的结果。鉴于所提出的FIPO-BC算法需要较少的数据点，与STD-BC算法相比，它将是一种计算效率更高的算法。在我们的演示测试用例中，提出的FIPO-BC算法比STD-BC算法至少快十倍。同时，FIPO-BC的在线功能允许持续更新校准输出，并可能减少生成数据库的工作量。

MSC公司：

76平方英尺 湍流
62Fxx公司 参数推断
62件 统计学的应用

关键词：

在线学习;贝叶斯校准;随机变分推理;高斯过程
PDF格式BibTeX公司 XML格式引用
\textit{Y.Duan}等人，J.Compute。物理学。434，文章ID 110243，14 p.（2021；Zbl 07508536）
全文： 内政部 arXiv公司

参考文献：

[1] Oberkampf，W.L。；Barone，M.F.，《计算与实验之间的一致性度量：验证指标》，J.Compute。物理。，217, 5-36 (2006) ·Zbl 1147.76606号
[2] Rebba，R。；Mahadevan，S.，《多元输出模型的验证》，Reliab。工程系统。安全。，91, 861-871 (2006)
[3] 奥伯坎普夫，W.L。；Trucano，T.G.，验证和验证基准，Nucl。工程设计。，238, 716-743 (2008)
[4] 段，Y。；冷却，C。；苏，J。；Jackson，C。；弗林特，A。；医学博士伊顿。；Bluck，M.J.，《使用高斯过程回归启发方法测量实验和CFD模拟之间的一致性》，《国际热流学杂志》，80，第108497页，（2019年）
[5] M.C.肯尼迪。；O'Hagan，A.，《计算机模型的贝叶斯校准》，J.R.Stat.Soc.，Ser。B、 统计方法。，63, 425-464 (2001) ·Zbl 1007.62021号
[6] 巴亚里，M.J。；J.O.伯杰。；保罗，R。；Sacks，J。；Cafeo，J.A。；林，C。；屠呦呦，J。；巴亚里，M.J。；J.O.伯杰。；保罗，R。；Sacks，J。；Cafeo，J.A.，计算机模型验证框架，技术计量学，49，138-153（2007）
[7] 巴亚里，M.J。；J.O.伯杰。；Cafeo，J。；Garcia-Donato，G。；刘，F。；Palomo，J。；Parthasarathy，R.J。；保罗，R。；Sacks，J。；Walsh，D.，《带功能输出的计算机模型验证》，Ann.Stat.，351874-1906（2007）·Zbl 1144.62368号
[8] 巴亚里，M.J。；J.O.伯杰。；M.C.肯尼迪。；Kottas，A。；保罗，R。；Sacks，J。；Cafeo，J.A。；林，C.-H。；Tu，J.，《预测车辆耐撞性：功能和层次数据的计算机模型验证》，美国统计协会，104，929-943（2009）·Zbl 1388.62382号
[9] 格洛弗·L·M·E·尼娜；Guillas，Serge，街道峡谷水流CFD建模的统计校准，（第12届Conf.Int.Build.Perform.Simul.Assoc.第12届Conf.Int.Build.Perfect.Simul Assoc.，Sydney（2011）），14-16
[10] 吉拉斯，S。；格洛弗，N。；Malki-Epshtein，L.，街道峡谷流CFD模型的k-ε湍流模型常数的贝叶斯校准，计算。方法应用。机械。工程，279536-553（2014）·Zbl 1423.76148号
[11] Cheung，S.H。；Oliver，T.A。；Prudencio，E.E。；Prudhomme，S。；Moser，R.D.，贝叶斯不确定性分析及其在湍流建模中的应用，Reliab。工程系统。安全。，96, 1137-1149 (2011)
[12] Oliver，T.A。；Moser，R.D.，《应用于RANS湍流模型的贝叶斯不确定性量化》，J.Phys。Conf.序列号。，318，1-10（2011）
[13] 埃德林，W.N。；Cinnella，P。；Dwight，R.P.，《通过贝叶斯模型场景平均进行预测RANS模拟》，J.Compute。物理。，275, 65-91 (2014) ·Zbl 1349.76106号
[14] Edeling，W.N。；Schmelzer，M。；德怀特，R.P。；Cinnella，P.，使用最大后验估计对雷诺平均Navier-Stokes不确定性的贝叶斯预测，AIAA J.，56，2018-2029（2018）
[15] Wu，J.L。；王建新。；Xiao，H.，降低模型形式不确定性的贝叶斯校准预测方法及其在RANS模拟中的应用，Flow Turbul。库布斯特。，97, 761-786 (2016)
[16] 张杰。；Fu，S.，一种有效的贝叶斯不确定性量化方法及其在k-ω-γ跃迁建模中的应用，计算。流体，161211-224（2018）·Zbl 1390.76121号
[17] 张杰。；Fu，S.，量化SST湍流模型中参数不确定性的有效方法，计算。流体，181173-187（2019）·Zbl 1410.76140号
[18] 科尔特斯，A.F。；康斯坦丁，P.G。；Magin，T.E。；Congedo，P.M.，《有源子空间的正向和反向不确定性量化：圆柱绕流的应用》，J.Compute。物理。，407，第109079条pp.（2020）·Zbl 07504687号
[19] Gramacy，R.B。；Lee，H.K.H.，《超级计算机实验的实验自适应设计和分析》，《技术计量学》，第51期，第130-145页（2009年）
[20] 吴，X。；科兹洛夫斯基，T。；Meidani，H。；Shirvan，K.，《使用基于高斯过程的模块化贝叶斯方法进行反不确定性量化》，第2部分：TRACE的应用，Nucl。工程设计。，335, 417-431 (2018)
[21] 吴，X。；科兹洛夫斯基，T。；Meidani，H。；Shirvan，K.，《基于高斯过程的模块化贝叶斯方法的反不确定性量化》，第1部分：理论，Nucl。工程设计。，335, 339-355 (2018)
[22] 刘，Y。；太阳，X。；Dinh，N.T.，《多相CFD解算器的验证和不确定性量化：由高分辨率实验支持的数据驱动贝叶斯框架》，Nucl。工程设计。，354，第110200条，第（2019）页
[23] 吴，X。；Shirvan，K。；Kozlowski，T.，《反向不确定性量化灵敏度和可识别性之间关系的证明》，J.Compute。物理。，396, 12-30 (2019) ·Zbl 1453.62402号
[24] Karagiannis，G。；Lin，G.，《关于通过实验数据对计算机模型混合物进行贝叶斯校准以及预测模型的设计》，J.Compute。物理。，342, 139-160 (2017) ·Zbl 1376.86005号
[25] Chang，K.-L。；Guillas，S.，利用大型非平稳空间输出进行计算机模型校准，应用于气候模型校准。统计序列。C、 68、51-78（2019）
[26] 希格顿，D。；纳赫，C。；Gattiker，J。；Williams，B.，热问题的贝叶斯校准方法，计算。方法应用。机械。工程，1972431-2441（2008）·Zbl 1388.80005号
[27] 希格顿，D。；Gattiker，J。；威廉姆斯，B。；Rightley，M。；希格顿，D。；Gattiker，J。；威廉姆斯，B。；Rightley，M。；Igdon，D.H。；Attiker，J.G。；伊利亚姆斯，B.W。；Ightley，M.R.，《使用高维输出高维输出进行计算机模型校准》，美国统计协会，103，570-583（2008）·Zbl 1469.62414号
[28] 刘，H。；Ong，Y。；沈，X。；蔡，J。；成员，S.，《当高斯过程遇到大数据：可伸缩GP的回顾》，IEEE Trans。神经网络。学习。系统。，1-19 (2020)
[29] 威廉姆斯，C.K.I。；Seeger，M.，《使用NyströM方法加速内核机器》，（高级神经信息处理系统13（NIPS 2000）（2000）），1-7
[30] Gittens，A。；Mahoney，M.W.，《重温改进大规模机器学习的NyströM方法》，J.Mach。学习。决议，17，1-65（2016）·Zbl 1367.68223号
[31] Seeger，M。；威廉姆斯，C。；Lawrence，N.，加速稀疏高斯过程回归的快进选择，（Artif.Intell.Stat.9（2003）），1-8
[32] Wilson，A.G。；Nicki，Hannes，可扩展结构化高斯过程的内核插值（KISS-GP），（第32届国际会议马赫学习…第32届国际会议马赫学习，法国里尔（2015）），1-10
[33] 亨斯曼，J。；福斯，N。；劳伦斯，N.D.，《大数据的高斯过程》（Conf.Uncertain.Artif.Intell.（2013）），282-290
[34] 拉斯穆森，C.E。；Williams，C.K.I.，机器学习的高斯过程（2006）·Zbl 1177.68165号
[35] 罗伯茨，S。；奥斯本，M。；埃布登，M。；Reece，S。；Gibson，N。；Aigrain，S.，时间序列建模的高斯过程，Philos。事务处理。R.Soc.A，371（2013）·Zbl 1353.62103号
[36] Damianou，A.，《深高斯过程和不确定性的变分传播》（2015）
[37] Titsias，M.K.，稀疏高斯过程中诱导变量的变分学习，（第12届国际会议论文情报统计，第12届美国佛罗里达州清水海滩国际会议论文资料统计，2009），567-574
[38] 高，F。；Han，L.，用自适应参数实现Nelder-Mead单纯形算法，计算机。最佳方案。申请。，51, 259-277 (2012) ·Zbl 1245.90121号
[39] Menter，F.R。；Egorov，Y.，《非定常湍流预测的尺度自适应模拟方法》。第1部分：理论和模型描述，Flow Turbul。库布斯特。，85, 113-138 (2010) ·Zbl 1425.76107号
[40] 埃戈罗夫，Y。；Menter，F.R。；Lechner，R。；Cokljat，D.，非定常湍流预测的尺度自适应模拟方法。第2部分：复杂流动的应用，Flow Turbul。库布斯特。，85, 139-165 (2010) ·Zbl 1425.76100号
[41] 绍尼森，A。；内尔森，C。；Max，E.，LDA测量钝体稳定火焰中的速度和湍流，（俄亥俄州克利夫兰市第四届国际激光风速仪-高级应用…第四届国家激光风速仪高级应用（1991））
[42] 绍尼森，A。；Henrikson，P。；Lofstrom，C.，钝体稳定火焰中反应流的CARS测量和可视化，（美国田纳西州纳什维尔市第28 Jt.推进器.合格.合格
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。