×
Dhulipala，Somayajulu L.N。;迈克尔·D·希尔兹。;本杰明·斯宾塞。;Chandrakanth的Bolisetti;安德鲁·E·斯劳特。;Vincent M.Labouré。;Chakroborty，Promit公司

利用多义性建模进行主动学习，以实现高效的罕见事件模拟。 （英语） Zbl 07578913号

J.计算。物理学。 468，文章ID 111506，24 p.（2022）.
摘要：虽然多义性建模提供了一种经济高效的方法，可以通过计算昂贵的模型进行不确定性量化，但通过自适应地确定所需高保真（HF）仿真的数量，可以实现更高的效率，取决于问题的类型和复杂性以及结果中所需的准确性。我们提出了一个主动学习的框架，该框架具有多样性建模，强调对罕见事件的有效估计。我们的框架通过将低频（LF）预测与高频校正融合，过滤校正后的低频预测以决定是否调用高保真模型，并为了提高后续精度，在每次高频模型调用后对低频预测进行校正。该框架没有对LF模型类型或其与HF模型的相关性做出任何假设。此外，为了在估计较小的故障概率时提高鲁棒性，我们建议使用动态主动学习函数来决定何时调用HF模型。我们使用几个学术案例研究（包括一些高维问题）和两个有限元模型案例研究来证明我们的框架：使用Stokes近似估计Navier-Stokes速度，并通过粗网格各向同性模型估计受位移影响的横观各向同性模型中的应力。在这些案例研究中，提出的框架不仅准确估计了失效概率，而且与蒙特卡罗或标准方差缩减方法相比，它只需要调用HF模型的一小部分。

引用于1文件

MSC公司：

65立方厘米 概率方法，随机微分方程
65新元 偏微分方程边值问题的数值方法
62Fxx公司 参数推断

关键词：

多义性建模;主动学习;可靠性;不确定性量化;蒙特卡洛;方差减少

软件：

AK-MCS公司;驼鹿
PDF格式BibTeX公司 XML格式引用
\textit{S.L.N.Dhulipala}等人，《计算杂志》。物理学。468，文章ID 111506，24 p.（2022；Zbl 07578913）
全文： 内政部 arXiv公司

参考文献：

[1] 佩迪卡里斯，P。；文丘里，D。；Karniadakis，G.E.，《高维系统和海量数据集的多保真信息融合算法》，SIAM J.Sci。计算。，38, 4, 521-538 (2016) ·Zbl 1342.62110号
[2] Fernández-Godino，M.Giselle；帕克，C。；Kim，N.H。；Haftka，R.T.，《决定是否使用多倍体替代品的问题》，美国国际农业协会期刊，第57期，第5期，第2039-254页（2019年）
[3] 郭，Z。；宋，L。；帕克，C。；李，J。；Haftka，R.T.，涡轮机问题多保真度代理的数据集选择分析，结构。多磁盘。最佳。，57, 6, 2127-2142 (2018)
[4] Teckentrup，A.L。；Jantsch，P。；韦伯斯特，C.G。；Gunzburger，M.，随机输入数据偏微分方程的多级随机配置方法，SIAM/ASA J.不确定性。量化。，1046-1074年3月1日（2015年）·Zbl 1327.65014号
[5] 李，M。；Wang，Z.，使用自适应混合学习的基于可靠性的多重优化，ASCE-ASME J.风险不确定性。工程系统。，B部分：机械。工程师，6，2，1046-1074（2020）
[6] Gorodetsky，A.A。；Jakeman，J.D。；Geraci，G。；Eldred，M.S.，MFNets:《贝叶斯学习和预测的多保真数据驱动网络》，《国际不确定性杂志》。量化。，10, 6, 595-622 (2020) ·Zbl 1498.68237号
[7] Zhang，J.，《有效不确定性量化和传播的现代蒙特卡罗方法：一项调查》，Wiley Interdiscip。版本：计算。统计，e1539，1-42（2021）
[8] 莫里奥，J。；Balesdent，M.，《复杂航空航天和其他系统中罕见事件概率的估算：实用方法》（2015），伍德黑德出版社
[9] Zio，E。；Duffey，R.B.，《自然灾害造成的电网风险以及灾难和创纪录洪水后的恢复挑战：下一步怎么办？（2021年），爱思唯尔
[10] 蒋伟（Jiang，W.）。；Hales，J.D。；斯宾塞，B.W。；科林，B.P。；屠宰，A.E。；诺瓦斯科内，S.R。；托普坦，A。；甘布尔，K.A。；Gardner，R.，与BISON，J.Nucl合著的TRISO颗粒燃料性能和失效分析。材料。，548，第152795条pp.（2021）
[11] 佩赫斯托弗，B。；Willcox，K。；Gunzburger，M.，《不确定性传播、推理和优化中的多重性方法综述》，SIAM Rev.，60，3，550-591（2018）·Zbl 1458.65003号
[12] 钱，E。；佩赫斯托弗，B。；奥马利，D。；Vesselinov，V.V。；Willcox，K.，方差和敏感性指数的多保真蒙特卡罗估计，SIAM/ASA J.不确定性。量化。，6, 2, 683-706 (2018) ·Zbl 1394.62175号
[13] 夸利诺，A。；佩祖托，S。；Krause，R.，《高维和高阶多重蒙特卡罗估计量》，J.Compute。物理。，388, 300-315 (2019) ·兹比尔1452.65010
[14] 佩赫斯托弗，B。；崔，T。；Y.Marzouk。；Willcox，K.，多保真度重要性抽样，计算。方法应用。机械。工程，300，490-509（2016）·Zbl 1426.62087号
[15] Kramer，B。；Marques，A.N。；佩赫斯托弗，B。；美国维拉。；Willcox，K.，通过融合估计器进行多保真概率估计，J.Compute。物理。，392385-402（2019）·Zbl 1453.62513号
[16] 杨，X。；巴拉哈斯·索拉诺，D。；塔塔科夫斯基，G。；Tartakovsky，A.M.，Physics-informed CoKriging:一种基于高斯过程回归的数据模型收敛多重性方法，J.Compute。物理。，395, 410-431 (2019) ·兹比尔1453.62651
[17] Yi，J。；Wu，F。；周，Q。；Cheng，Y。；Ling，H。；Liu，J.，基于多保真度克里金模型的结构可靠性分析主动学习方法，Struct。多磁盘。最佳。，63, 1, 173-195 (2021)
[18] 佩迪卡里斯，P。；莱斯，M。；Damianou，A。；劳伦斯，N.D。；Karniadakis，G.E.，用于数据高效高保真建模的非线性信息融合算法，Proc。R.Soc.A，数学。物理学。工程科学。，473、2198，第20160751条，pp.（2017）·Zbl 1407.62252号
[19] Gorodetsky，A.A。；Geraci，G。；埃尔德雷德，M.S。；Jakeman，J.D.，《多元不确定性量化的广义近似控制变量框架》，J.Compute。物理。，408，第109257条pp.（2020）·Zbl 07505605号
[20] Pham，T。；Gorodetsky，A.A.，《集合近似控制变量估计：在多保真重要抽样中的应用》（2021年），预印本
[21] 艾哈迈德，S.E。；圣马力诺。；卡拉·K。；尤尼斯，R。；Rasheed，A.，《耦合全阶和降阶模型的多保真计算》，《公共科学图书馆·综合》，16，2，文章e0246092 pp.（2021）
[22] Hebbal，A。；布雷瓦库，L。；Balesdent，M。；塔尔比，E.G。；Melab，N.，使用深高斯过程的不同输入域定义的多精度建模，结构。多磁盘。最佳。，63, 2267-2288 (2021)
[23] X孟。；Babaee，H。；Karniadakis，G.E.，《多精度贝叶斯神经网络：算法和应用》，J.Compute。物理。，438，第110361条pp.（2021）·Zbl 07505956号
[24] 普雷斯科特，T.P。；Baker，R.E.，多保真近似贝叶斯计算，SIAM/ASA J.不确定性。量化。，8, 1, 114-138 (2020) ·Zbl 1436.62097号
[25] Catanach，T.A。；Vo，H.博士。；Munsky，B.，《使用多重序贯回火马尔可夫链蒙特卡罗对随机反应网络进行贝叶斯推断》，《国际不确定性杂志》。量化。，10, 6, 515-542 (2020) ·Zbl 1498.62060号
[26] Nabian，硕士。；Meidani，H.，Markov-Chain Monte Carlo自适应物理信息神经网络（2021），预印本
[27] Chakraborty，S.，基于传输学习的多保真度物理通知深度神经网络，J.Compute。物理。，426，第109942条pp.（2021）·Zbl 07510057号
[28] 张杰。；Man，J。；林·G。；吴，L。；Zeng，L.，采用自适应多重马尔可夫链蒙特卡罗模拟的水文系统逆建模，水资源。研究，54，7，4867-4886（2018）
[29] 埃查德，B。；北卡罗来纳州盖顿。；Lemaire，M.，AK-MCS：一种结合克里金和蒙特卡罗模拟的主动学习可靠性方法，Struct。安全。，33, 2, 145-154 (2011)
[30] Bichon，B.J。；埃尔德雷德，M.S。；斯威勒，L.P。；马哈德万，S。；McFarland，J.M.，非线性隐式性能函数的有效全局可靠性分析，AIAA J.，46，10，2459-2468（2008）
[31] Lelièvre，N。；Beaureaire，P。；马特兰，C。；Gayton，N.，AK-MCSi:处理小失效概率和耗时模型的基于Kriging的方法，Struct。安全。，73, 1-11 (2018)
[32] El Haj，A.K。；Soubra，A.H.，用于计算失效概率的改进主动学习概率方法，结构。安全。，88，第102011条pp.（2021）
[33] 拉扎利，N。；Congedo，P.M.，用于有效计算极小失效概率的AK-MCS扩展，Reliab。工程系统。安全。，203，第107084条pp.（2020）
[34] 黄，X。；陈，J。；Zhu，H.，《使用AK-SS评估小故障概率：结合克里金和子集模拟的主动学习方法》，Struct。安全。，第59页，第86-95页（2016年）
[35] 张杰。；肖，M。；Gao，L.，一种结合Kriging构造的主动学习可靠性方法，用于失效区域的探索和开发以及子集模拟，Reliab。工程系统。安全。，188, 90-102 (2019)
[36] 徐，C。；Chen，W。；马，J。；Shi，Y。；Lu，S.，AK-MSS：小失效概率AK-MCS方法的改编，结构。安全。，86，第101971条pp.（2020）
[37] Au，S.K。；Beck，J.L.，通过子集模拟估算高维小故障概率，Probab。工程机械。，16, 4, 263-277 (2001)
[38] 杨，X。；Cheng，X.，结合克里金模型和基于多模态优化的重要性抽样的主动学习方法，用于估计小故障概率，国际期刊Numer。方法工程，121，21，4843-4864（2020）
[39] 崔，F。；Ghosn，M.，《机器学习技术在子集仿真方法中的实现》，Struct。安全。，79, 12-25 (2019)
[40] 雷卡尔，V.C。；Duraiswami，R.，使用近似矩阵向量乘积的快速大规模高斯过程回归，（学习研讨会（2007）），1-8
[41] Rasmussen，C.E.，《机器学习中的高斯过程》（2004），施普林格-柏林-海德堡出版社·Zbl 1120.68436号
[42] 帕皮奥安努，I。；Betz，W。；Zwirglmair，K。；Straub，D.，子集模拟的MCMC算法，Probab。工程机械。，41, 89-103 (2015)
[43] 王，Z。；布罗卡多，M。；Song，J.，可靠性分析中子集模拟的哈密顿蒙特卡罗方法，结构。安全。，76, 51-67 (2019)
[44] 屏蔽，医学博士。；Giovanis，D.G。；Sundar，V.S.，强非高斯、高度各向异性和退化分布问题的子集模拟，计算。结构。，245，第106431条pp.（2021）
[45] 帕帕佐普洛斯，V。；Giovanis，D.G。；北卡罗来纳州拉加罗斯。；Papadrakakis，M.，可靠性分析用神经网络加速子集模拟，计算。方法应用。机械。工程，223，70-80（2012）·Zbl 1253.74073号
[46] Bourinet，J.M。；Deheeger，F。；Lemaire，M.，通过组合子集模拟和支持向量机评估小故障概率，结构。安全。，33, 6, 343-353 (2011)
[47] Au，S.K。；Wang，Y.，《利用子集模拟进行工程风险评估》（2014），John Wiley&Sons
[48] Sundar，V.S。；Shields，M.D.，使用多模型推理的自适应克里格代理进行可靠性分析，ASCE-ASME J.风险不确定。工程系统。，A部分：民事。工程，5，2，第04019004条pp.（2019）
[49] Giovanis，D.G。；Shields，M.D.，在格拉斯曼流形上使用高斯过程回归的高维模型的数据驱动代理，计算。方法应用。机械。工程，370，第113269条pp.（2020）·Zbl 1506.62549号
[50] Kontolati，K。；Loukrezis，D。；Giovanis，D.D。；Vandanapu，L。；Shields，M.D.，《黑盒问题中高维不确定性量化的无监督学习方法调查》（2022年），arXiv预印本·Zbl 07540357号
[51] 彼得森，J.W。；Lindsay，A.D。；Kong，F.，MOOSE框架中不可压缩Navier-Stokes仿真能力概述，高级工程软件。，119, 68-92 (2018)
[52] 佩曼，C.J。；加斯顿，D.R。；安德斯，D。；卡尔森，R.W。；孔，F。；Lindsay，A.D。；米勒，J.M。；彼得森，J.W。；屠宰，A.E。；Stogner，R.H。；Martineau，R.C.，MOOSE：实现大规模并行多物理模拟，SoftwareX，11，第100430条，pp.（2020）
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。