Adaptive non-intrusive reconstruction of solutions to high-dimensional parametric PDEs
本研究提出一种高维参数PDE解的自适应非侵入式重构方法,结合随机最小二乘的非侵入性与Galerkin后验误差分析,用变分蒙特卡洛获拟最优低秩近似,实现离散参数全自动调整,基准测试达同类最优性能。
2022-10-26 cs.NA math.FA math.NA
Parametric/Stochastic Model Reduction: Low-Rank Representation, Non-Intrusive Bi-Fidelity Approximation, and Convergence Analysis
University of Colorado, Boulder(科罗拉多大学博尔德分校);University of Utah(犹他大学)
本文提出基于低秩结构的非侵入式双保真模型,通过误差估计判断保真逼近的准确性,应用于不确定性量化中的线性和非线性偏微分方程问题。
2017-09-12 cs.NA math.NA
Non-intrusive reduced-order models for parametric partial differential equations via data-driven operator inference
本研究提出一种结合算子推断框架的参数化时变偏微分方程非侵入式降阶建模方法,嵌入参数结构、通过线性回归学习算子,可快速求解参数化PDE,适用于不确定性量化等场景,并在两类模型上验证了有效性。
2023-03-15 cs.CE cs.NA math.NA
A non-intrusive bi-fidelity reduced basis method for time-independent problems
提出一种用于时间独立参数化PDE的非侵入式双保真度降阶基方法,利用低保真度模型在线构建降阶算子并强制执行降阶方程,兼顾非侵入性与物理一致性。
2023-07-03 cs.NA math.NA
Parametric Intrusive Reduced Order Models enhanced with Machine Learning Correction Terms
本文提出一种参数化侵入式降阶模型,利用机器学习(包括全连接网络与LSTM)在降阶方程中重新引入湍流建模和被舍弃模态的贡献,并在绕圆柱和槽道驱动腔湍流算例中显著提升了压力与速度预测精度。
2024-06-06 cs.NA math.NA physics.flu-dyn
GPT-PINN: Generative Pre-Trained Physics-Informed Neural Networks toward non-intrusive Meta-learning of parametric PDEs
University of Massachusetts Dartmouth(马萨诸塞大学达特茅斯分校)
针对物理 informed 神经网络(PINN)训练耗时、参数冗余的问题,提出生成式预训练 PINN(GPT-PINN),通过超精简元网络结合预训练 PINN 激活函数,实现参数化 PDE 全参数域高效准确的代理解生成。
2023-06-08 cs.LG cs.NA math.NA
A goal-oriented RBM-Accelerated generalized polynomial chaos algorithm
University of Massachusetts Dartmouth(马萨诸塞大学达特茅斯分校);University of Utah(犹他大学)
本文提出一种加权降阶方法用于非侵入式广义多项式混沌方法,通过高效计算gPC近似从而加速传统方法,降低维度诅咒的影响。
2016-09-16 cs.NA math.NA
Error estimate of the Non-Intrusive Reduced Basis (NIRB) two-grid method with parabolic equations
缩减基方法(RBM)经常被提出来近似参数问题的解决方案。它们可用于计算大量参数值的解(例如,用于参数拟合)以及近似新参数值的解(例如,具有非常高精度的实时近似)。他们打算降低高保真(HF)码的计算成本。我们将重点介绍非侵入性缩减基(NIRB)两网格方法。它的主要优点是,它使用高频代码专门作为一个“黑盒子”,而不是其他所谓的侵入性方法,需要修改代码。当HF码是已经购买的商业码时,这是非常方便的,这在工业中是常见的情况。这一方法的有效性取决于其分为两个阶段,一个是离线阶段(如上文所述,在大多数成果管理制中是典型的),一个是在线阶段。离线部分很耗时,但只执行一次。与此相反,该方法的特殊性在于,在在线部分,它只解决了粗网格上的参数化问题,从而提高了其精度。因此,它比HF评估便宜得多。这种方法最初是为用有限元求解椭圆型方程而提出的,后来被推广到有限体积问题。本文将NIRB两重网格方法推广到抛物型方程。我们恢复最佳估计$L^{\infty}(0,T;H^1(Ω))$作为一个模型问题,热方程。然后,我们给出了热方程和反射器问题的数值结果。
2022-11-16 cs.NA math.NA
Parametric Dynamic Mode Decomposition for nonlinear parametric dynamical systems
提出结合DMD与RBF网络的非侵入式模型降阶方法,通过RBF插值扩展DMD以预测参数化非线性系统在新参数下的动力学时间模式。
2023-08-01 cs.NA math.NA
PDE/PDF-informed adaptive sampling for efficient non-intrusive surrogate modelling
提出了一种新的不确定参数偏微分方程(PDE)非侵入代理建模的精化方法。我们的方法使用经验插值过程,其中提出的细化措施是基于PDE残差和不确定参数的密度函数,并排除部分PDE解决方案,不用于计算感兴趣的数量。通过使用单独进入PDE的所有偏导数来计算细化度量中使用的PDE残差。建议的细化措施是适合于高效的参数代理建设时,底层PDE是已知的,即使当参数空间是非超立方体,并没有限制的类型的离散化方法。因此,我们不限于传统的离散化技术,例如,有限元和有限体积,和所提出的方法被证明是有效的,结合使用时,最近推出的神经网络PDE求解器。我们提出了几个数值例子,证明精度,效率和通用性的方法越来越复杂。
2019-07-09 cs.NA math.NA
Non intrusive method for parametric model order reduction using a bi-calibrated interpolation on the Grassmann manifold
提出独立于控制方程的非侵入式降阶建模方法 Bi-CITSGM,通过 ITSGM 插值空间和时间 POD 采样基并引入正交校准矩阵重分类模态,在圆柱绕流实验中对新雷诺数实现实时高精度求解。
2018-12-31 cs.NA math.NA physics.flu-dyn
Tensorial Reduced-Order Models for Parametric Coupled Reaction-Diffusion Systems: Application to Brain Tumor Growth Modeling
University of Houston(休斯顿大学)
本文提出张量降阶模型用于参数化前向算子的高效代理模型,应用于脑肿瘤生长模拟,通过比较经典POD ROM基线,展示了张量代理模型在多查询工作流中的高效性和准确性。
2026-03-14 cs.NA math.NA
Data-Driven Learning of Reduced-order Dynamics for a Parametrized Shallow Water Equation
本文讨论了一种非侵入式数据驱动的模型降阶方法,学习参数化浅水方程的低维动力学模型。我们考虑非传统形式的浅水方程(NTSWE)。我们专注于以非侵入式的方式学习低维模型。这意味着,我们假设不能以任何形式访问NTSWE的离散形式。相反,我们有使用黑盒求解器获得的快照。因此,我们的目标是只从快照中学习降阶模型。准确地说,通过在低维子空间中求解适当的最小二乘最优化问题来学习降阶模型。此外,我们讨论了计算的挑战,特别是从最优化问题是病态的。此外,我们扩展了非侵入式模型降阶框架的参数的情况下,我们利用参数依赖的偏微分方程的水平。我们说明了所提出的非侵入性方法构建降阶模型NTSWE的效率,并将其与侵入性方法(适当的正交分解)进行比较。我们还讨论了两种模型在训练数据范围之外的预测能力。
2020-08-04 cs.NA math.NA
Non-intrusive model reduction of large-scale, nonlinear dynamical systems using deep learning
基于投影的模型约简已经成为一种流行的方法,以减少与集成大规模动力系统相关的成本,因此它们可以用于许多查询设置,如优化和不确定性量化。对于非线性系统,只有通过附加的近似层来减少评估投影非线性项的计算瓶颈,才有可能显著降低成本。近似非线性项的常用方法是代码侵入式的,可能需要数年的开发时间才能集成到现有的代码库中,并且已知缺乏参数鲁棒性。这项工作开发了一种非侵入式方法,可以使用深度神经网络高效准确地近似简化非线性动力系统中出现的昂贵的非线性项。神经网络的训练只使用模拟数据用于构建减少的基础和评估的非线性项在这些快照。一旦被训练,基于神经网络的降阶模型仅需要通过网络的前向和后向传播来评估非线性项及其导数,其用于在新的参数配置下整合降阶的动力系统。我们提供了两个数值实验--参数化,非线性,双曲型偏微分方程的半离散化的动力系统的结果--表明,除了非侵入性,所提出的方法提供了更稳定和准确的近似每个动力系统在大量的训练和测试点比流行的经验插值方法。
2020-06-09 cs.NA math.NA
A Non-Intrusive Data-Driven Reduced Order Model for Parametrized CFD-DEM Numerical Simulations
本文提出非侵入式数据驱动 PODI 降阶模型,用于参数化 CFD-DEM 模拟,并在流化床基准上验证其对 Eulerian 与 Lagrangian 量的精度及效率。
2023-02-24 cs.NA math.NA physics.flu-dyn
A non-intrusive approach for the reconstruction of POD modal coefficients through active subspaces
降阶建模(ROM)提供了一个有效的框架来计算参数问题的解决方案。基本上,它利用了一组预先计算的高保真解决方案--计算适当选择的参数,使用全阶模型-为了找到包含解决方案流形的低维空间。使用该空间,由于问题的降维,可以在实时响应场景中计算新参数的数值解的近似。在ROM框架中,从计算的角度来看,最昂贵的部分是使用全阶模型的数值解的计算。当然,收集的解的数量与降阶模型的精度严格相关。在这项工作中,我们的目标是增加精度的模型,也为少数输入的解决方案,通过耦合适当的正交分解与插值(PODI)--数据驱动的降阶方法--与活动子空间(AS)属性,一个新兴的工具,减少参数空间。增强的ROM导致输入解决方案的数量减少,以达到所需的精度。在这方面的贡献,我们提出了应用这种方法的结构问题和流体动力学的数值结果。
2019-11-18 cs.NA math.NA
Low-rank cross approximation of function-valued tensors for reduced-order modeling of parametric PDEs
University of Vienna(维也纳大学);University of Houston(休斯顿大学)
本文提出了一种基于函数值张量低秩交叉近似的降维方法,用于参数PDE的建模,通过编码器-解码器结构实现高效降维与非线性建模。
2026-11-11 cs.NA math.NA
A non-intrusive data-driven ROM framework for hemodynamics problems
本文提出一种针对血流动力学的高效非侵入式数据驱动降阶建模框架,采用带插值的本征正交分解重构新参数下的变量,并开发了无需专业知识的Web应用,在左心室辅助装置主动脉血流案例中验证了算法效率。
2021-02-23 cs.NA math.NA
Non-intrusive PODI-ROM for patient-specific aortic blood flow in presence of a LVAD device
本研究针对左心室辅助装置(LVAD)引起的主动脉血流改变,提出一种基于PODI方法的非侵入式降阶模型,结合患者特异性CT影像与临床数据构建多尺度全阶模型,验证了该降阶模型在LVAD流率参数化研究中的准确性。
2020-07-06 cs.NA math.NA
The non-intrusive reduced basis two-grid method applied to sensitivity analysis
本文针对灵敏度分析中直接法和伴随状态法计算成本高的问题,提出非侵入式降阶基双网格算法,将高保真代码作为黑盒使用,并证明其在热方程上恢复最优收敛速率,同时用高斯过程回归进一步降低在线计算成本。
2024-01-12 cs.NA math.NA
Non-intrusive Surrogate Modeling for Parametrized Time-dependent PDEs using Convolutional Autoencoders
National Technical University of Athens(雅典国立技术大学)
本文提出了一种基于机器学习技术的非侵入式代理建模方案,用于复杂系统的预测建模,由参数化的不定常偏微分方程描述。对于这些问题,典型的有限元方法涉及PDE的时空离散化和相应的线性系的方程在每个时间步长的解决方案。相反,所提出的方法利用卷积自动编码器结合前馈神经网络建立一个低成本和准确的映射,从问题的参数空间到其解决方案空间。为此目的,时间历程响应数据的收集,通过求解高保真度模型,通过有限元参数值的减少。然后,通过将卷积自动编码器应用于该数据集,编码器提供高维解矩阵的低维表示,而解码器获得重建图。使用编码器给出的潜在表示,前馈神经网络被有效地训练以将来自问题的参数空间的点映射到相应的解矩阵的压缩版本。这样,系统在新参数值下的编码响应由神经网络给出,而整个响应由解码器传递。这种方法有效地绕过了需要串行制定和解决系统的控制方程在每个时间增量,从而导致显着的成本降低和渲染的方法理想的问题,需要重复的模型评估或“实时”计算。详细的方法被证明是随机分析的不定常偏微分方程解决与蒙特卡罗方法,然而,它可以直接应用到其他类似类型的问题,如灵敏度分析,设计优化等。
2021-04-23 cs.AI cs.LG cs.NA
Non-Intrusive Polynomial Chaos Method Applied to Full-Order and Reduced Problems in Computational Fluid Dynamics: a Comparison and Perspectives
本文将基于非侵入式多项式混沌展开的不确定性量化方法应用于翼型流CFD问题,为降低计算成本引入POD-Galerkin降阶模型,并分析了替代ROM对FOM求解精度及UQ结果的影响。
2019-01-08 cs.NA math.NA
Multiscale Mixed-Dimensional Simulation via Domain Decomposition and Non-Intrusive Neural Model Order Reduction
Politecnico di Milano(米兰理工大学)
针对科学工程中多尺度计算模型求解难题,提出基于区域分解和非侵入式神经模型降阶的方法,将全局问题转化为局部可解问题,经训练神经代理嵌入迭代求解器,实现稳定精确求解且具良好扩展性。
2026-07-28 cs.NA math.NA
Matrices over a Hilbert space and their low-rank cross approximation
University of Vienna(维也纳大学)
研究Bochner矩阵的代数性质,将低秩交叉逼近扩展到该矩阵并推导逼近保证,提出自适应交叉逼近方法用于参数化非线性Stokes方程的降阶建模。
2026-06-26 cs.NA math.NA
A non-intrusive neural-network based BFGS algorithm for parameter estimation in non-stationary elasticity
本研究针对非平稳弹性力学参数估计问题,提出用神经网络离线近似PDE求解器的非侵入式梯度及BFGS算法,避免多次高成本PDE求解,并在非稳态线弹性接触问题中验证了算法的收敛性与逼近特性。
2024-08-15 cs.NA math.NA math.OC
Local surrogate models with reduced dimensionality via overlapping domain decomposition and proper generalized decomposition
本研究提出结合重叠区域分解与PGD的高效非侵入算法,用于构建线性椭圆型参数问题的低维局部代理模型,数值实验验证了方法的有效性。
2024-09-12 cs.NA math.NA
Compressive sensing Petrov-Galerkin approximation of high-dimensional parametric operator equations
RWTH Aachen University(亚琛工业大学);ETH Zurich(苏黎世联邦理工学院)
本文研究了压缩感知采样技术在高维参数线性算子方程求解中的收敛性,通过非侵入式采样和压缩感知方法提高功能计算效率,证明了Chebyshev系数在加权ℓ_𝑝空间中的性质及重构的收敛性。
2015-09-21 cs.NA math.NA
Active-Learning-Driven Surrogate Modeling for Efficient Simulation of Parametric Nonlinear Systems
Max Planck Institute for Dynamics of Complex Technical Systems(马克斯·普朗克复杂技术系统动力学研究所)
针对无控制方程时参数化非线性系统代理建模的参数采样最优性问题,提出基于核浅层神经网络的主动学习驱动POD代理模型ActLearn-POD-KSNN,经两类物理方程验证可高效预测新参数解。
2023-06-09 cs.CE cs.LG cs.NA
Explicable hyper-reduced order models on nonlinearly approximated solution manifolds of compressible and incompressible Navier-Stokes equations
本文提出一种基于自编码器非线性降维与残差最小二乘Petrov-Galerkin超降阶的侵入式可解释降阶模型方法,并在NACA翼型超声速流和Ahmed体湍流基准上验证其有效性。
2023-08-07 cs.NA math.NA
Operator inference for non-intrusive model reduction with quadratic manifolds
提出了一种从高维数据中学习数据驱动的二次流形的新方法,然后利用该二次流形导出高效的基于物理的降阶模型。该方法的关键成分是高维状态和低维嵌入之间的多项式映射。该映射由两部分组成:线性子空间中的表示(在本工作中使用适当的正交分解计算)和二次分量。该方法可以被看作是一种形式的数据驱动的闭包建模,因为二次分量将方向引入到位于线性子空间的正交补中的近似中,但不向低维表示引入任何额外的自由度。将二次流形近似与基于投影的模型降阶算子推理方法相结合,提出了一种可扩展的非侵入式动力系统降阶模型学习方法.将新方法应用于运输主导的偏微分方程系统,说明了在线性子空间中近似可以实现的效率增益。
2022-12-26 cs.NA math.NA
An overlapping domain decomposition method for the solution of parametric elliptic problems via proper generalized decomposition
提出一种非侵入式PGD与重叠DD结合的方法,通过低维边界参数和代数化Schwarz粘合,实现参数化椭圆问题的实时代理建模,数值验证其高精度与鲁棒性。
2023-09-26 cs.NA math.NA
Data-Augmented Predictive Deep Neural Network: Enhancing the extrapolation capabilities of non-intrusive surrogate models
Max Planck Institute for Dynamics of Complex Technical Systems(马克斯·普朗克复杂技术系统动力学研究所)
本文提出一种数据增强的预测深度神经网络,通过核动态模式分解提升代理模型在非侵入性模型中的外推能力,验证了其在FitzHugh-Nagumo模型和不可压缩流过圆柱体模型中的高效预测性能。
2024-10-17 cs.LG cs.NA math.NA
Non-intrusive reduced-order modeling using convolutional autoencoders
在基于物理的建模和仿真中使用降阶模型(ROM)几乎总是涉及使用线性降阶基(RB)方法,如适当的正交分解(POD)。对于一些非线性问题,线性RB方法表现不佳,无法为解空间提供有效的子空间。近年来,ROM的非线性流形的使用获得了牵引力,在某些非线性问题上表现出比线性方法更高的性能。为此,深度学习通过使用自动编码器为解空间提供非线性试验流形而流行。在这项工作中,我们提出了一个非侵入式ROM框架稳态参数化的偏微分方程(PDE),使用卷积自动编码器(CAE)提供一个非线性的解决方案流形,并通过高斯过程回归(GPR)近似的扩展系数的降阶模型。当应用到一个数值例子,涉及稳定的不可压缩Navier-斯托克斯方程解决盖驱动腔问题,它表明,建议ROM提供更好的性能在全阶状态的预测相比,一个流行的方法,采用POD和GPR在ROM的尺寸。
2022-04-09 cs.NA math.NA
A non-intrusive reduced-order modelling for uncertainty propagation of time-dependent problems using a B-splines Bézier elements-based method and Proper Orthogonal Decomposition: application to dam-break flows
提出了一种基于恰当正交分解的B样条Bézier元方法(POD-BSBEM),作为随机不定常传播分析的非侵入降阶模型.该方法使用两步适当的正交分解(POD)技术,从一组高保真度的解决方案,称为快照提取减少的基础。然后,将第三POD水平应用于与缩减基相关联的投影系数的数据,以从随机参数化系数中分离出不定常模式。这些是近似的随机参数空间中使用B样条基函数定义在相应的贝塞尔元素。使用基准稳态和不定常问题的精度和效率进行评估,并比较降阶基于模型的人工神经网络(POD-ANN)和全阶基于模型的多项式混沌展开(Full-PCE)。POD-BSBEM,然后应用于分析的不确定性传播通过洪水波流源于一个假设的溃坝在一条河流中具有复杂的水深。结果证实了POD-BSBEM准确预测感兴趣的输出量的统计矩的能力,与其他技术相比,离线和在线阶段的速度大幅提高。
2021-05-15 cs.CE cs.NA math.NA
Parametric Probabilistic Manifold Decomposition for Nonlinear Model Reduction
Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University(同济大学上海智能自主系统研究院);School of Mathematical Sciences, Key Laboratory of Intelligent Computing and Applications (Ministry of Education), Tongji University(同济大学数学科学学院智能计算与应用教育部重点实验室)
PPMD通过整合概率流形嵌入与参数感知潜在学习,实现参数化问题的高保真度建模与非侵入性降阶。
2026-01-12 cs.NA math.NA
A non-intrusive reduced basis EKI for time-fractional diffusion inverse problems
College of Science, Hohai University(河海大学理学院);Department of Mathematics, Southeast University(东南大学数学系)
本文提出了一种非侵入式降阶EKI方法,用于解决时间分数扩散反问题,通过降阶基提取和双随机径向基函数学习投影系数,以提高计算效率。
2019-02-24 cs.NA math.NA
Machine Learning-based quadratic closures for non-intrusive Reduced Order Models
International School for Advanced Studies, SISSA(国际高等研究院)
提出一种数据驱动方法,通过MIONet参数化的二次修正项重新引入被忽略模态的贡献,提升非侵入式降阶模型在欠分辨和边缘分辨情况下的精度。
2026-05-25 cs.NA math.NA
A posteriori error analysis and adaptive non-intrusive numerical schemes for systems of random conservation laws
TU Darmstadt(达姆施塔特工业大学);University of Stuttgart(斯图加特大学)
本文研究了一维随机保守律系统,通过建立随机熵可容解的存在性和唯一性,提出后验误差分析方法,结合随机配点法和Runge-Kutta间断有限元法,设计出新的残差基适应性网格细化算法,并通过数值实验验证其有效性。
2019-02-14 cs.NA math.NA
Parametric solutions of turbulent incompressible flows in OpenFOAM via the proper generalised decomposition
提出了一种基于适当的广义分解(PGD)的先验降阶方法,用于计算工业环境中涉及湍流不可压缩流的参数解。PGD框架首次应用于不可压缩的纳维-斯托克斯方程的湍流制度,计算速度,压力和湍流粘度的广义解,明确地取决于设计参数的问题。为了模拟工业应用中的流动,设计了一种基于OpenFOAM SIMPLE算法的最小介入实现方法,该方法应用于Spalart-Allmaras湍流模型下的雷诺平均纳维-斯托克斯方程。所得到的PGD策略应用于参数流控制问题,并实现了定性和定量的协议与对流为主的充分发展的湍流不可压缩流的全阶OpenFOAM解决方案,雷诺数高达一百万。
2021-10-22 cs.CE cs.NA math.NA
Match-based solution of general parametric eigenvalue problems
本文提出一种求解一般参数化(非线性)特征值问题的两步算法,利用非侵入式围道积分法收集非参数化高精度解并跨参数组合,结合自适应策略处理特征值迁移与分岔,实现了极高的近似精度。
2024-05-07 cs.NA cs.SY eess.SY
Interpretable and flexible non-intrusive reduced-order models using reproducing kernel Hilbert spaces
Sandia National Laboratories(桑迪亚国家实验室);Department of Mathematics, Brigham Young University(杨百翰大学数学系)
本文提出一种基于再生核希尔伯特空间的可解释非侵入式降阶建模方法,通过正则化核插值实现ROM的结构与全阶模型一致,并提供可计算的后验误差界。
2026-01-22 cs.CE cs.NA math.NA
An Efficient Intrusive Uncertainty Propagation Method For Multi-Physics System With Random Inputs
Institute for Computational and Mathematical Engineering, Stanford University(斯坦福大学计算与数学工程研究所);Mechanical Engineering, Stanford University(斯坦福大学机械工程系)
本文提出一种基于模块的高效侵入性谱投影方法,通过块Gauss-Seidel技术分离子问题,利用降维混沌近似减少计算成本,提升多物理系统不确定性传播效率。
2014-10-20 cs.NA math.NA
An overlapping domain decomposition method for parametric Stokes and Stokes-Darcy problems via proper generalized decomposition
Loughborough University(拉夫堡大学);Universitat Politècnica de Catalunya(加泰罗尼亚理工大学);Centre Internacional de Mètodes Numèrics en Enginyeria (CIMNE)(工程数值方法国际中心)
本文提出一种基于PGD和重叠域分解的非侵入性方法,用于高效求解参数Stokes和Stokes-Darcy问题,通过局部替代模型和参数接口系统实现连续性,提升计算效率。
2025-07-09 cs.NA math.NA
A multi-fidelity approach coupling parameter space reduction and non-intrusive POD with application to structural optimization of passenger ship hulls
本文提出一种多保真结构优化流程,结合活动子空间参数约简与非侵入式POD,降低客船船体优化维度,并在简化及全船模型上验证,助力初步设计发现新方案。
2023-11-18 cs.NA math.NA
Enhancing non-intrusive Reduced Order Models with space-dependent aggregation methods
本研究结合非侵入式降阶模型与空间依赖聚合技术构建混合降阶模型,通过随机森林预测空间权重以融合不同降阶与近似方法的模型,在两个翼型流动测试中精度均优于单类降阶模型。
2024-03-08 cs.NA math.NA
Standardized Non-Intrusive Reduced Order Modeling Using Different Regression Models With Application to Complex Flow Problems
近年来,工业应用中的数值方法已经从纯粹的预测工具发展成为优化和控制的手段。由于标准的数值分析方法已经变得过于昂贵,在这样的多查询设置,各种降阶建模(ROM)的方法已经向复杂的应用程序。在这种情况下,这项工作的驱动应用是双螺杆挤出机(TSE):在塑料加工中具有重要经济作用的制造设备。通过TSE的流动建模需要非线性材料模型和与热方程的耦合以及复杂的网格变形,这是一个相对复杂的场景。我们调查如何一个非侵入性的,数据驱动的ROM可以构造这个应用程序。我们专注于建立良好的适当的正交分解(POD)回归,虽然我们引入了两个适应:标准化的数据和误差的措施,以及-我们的时空模拟的启发-治疗时间作为一个离散的坐标,而不是一个连续的参数。我们表明,这些步骤使POD回归框架更具可解释性,计算效率和问题独立性。我们继续比较三种不同的回归模型的性能:径向基函数(RBF)回归,高斯过程回归(GPR)和人工神经网络(ANN)。我们发现,GPR提供了几个优势,人工神经网络,构成了一个可行的和计算成本低廉的非侵入式ROM。此外,该框架是开源的,作为一个起点,为其他从业者,并促进使用ROM在一般的工程工作流程。
2021-04-22 cs.NA math.NA physics.comp-ph
A Dynamic Mode Decomposition Extension for the Forecasting of Parametric Dynamical Systems
本文提出一种将动态模式分解(DMD)与降维和回归技术相结合的方法,用于参数化动力系统未来输出预测,并通过三个算例验证其有效性。
2024-01-15 cs.NA math.DS math.NA
Non-intrusive reduced order modeling of poroelasticity of heterogeneous media based on a discontinuous Galerkin approximation
Cornell University(康奈尔大学);SISSA(国际高等研究院)
本文提出一种结合间断伽辽金全阶求解、POD降阶与神经网络的非侵入式降阶框架,用于非均质多孔介质线性孔隙弹性问题,在保证捕捉位移和压力场尖锐不连续性的同时显著提升计算速度。
2021-01-28 cs.CE cs.LG cs.NA
Non-intrusive model reduction of advection-dominated hyperbolic problems using neural network shift augmented manifold transformation
针对传统线性压缩方法因Kolmogorov $n$-宽度衰减缓慢而难以处理对流占优问题,本文提出NNsPOD-ROM算法,利用神经网络平移增强变换技术构建非侵入式降阶模型,有效提升了模型降阶的效率与准确性。
2025-07-15 cs.NA math.NA physics.flu-dyn
Surrogate-to-code verification of a non-intrusive POD-GPR machine-learning emulator of peak thermomechanical fields, with application to a carbon-carbon aircraft brake disc
organization= Independent Researcher , city= Paris , country= France
研究针对非侵入式降阶模拟器在认证级应用中需严格误差评估的问题,提出基于POD - GPR的验证框架,制定误差预算并评估。该框架应用于碳 - 碳飞机刹车盘,实现代理到代码保真度,还给出两项次要贡献。
2026-07-21 cs.CE cs.NA math.NA
Non-intrusive Hybrid Scheme for Multiscale Heat Transfer: Thermal Runaway in a Battery Pack
本文提出一种非侵入式双向耦合混合模型,结合细尺度与上尺度化方程,在限制计算成本的同时准确预测电池组热失控,并证明其计算效率优于细尺度模拟。
2023-09-14 cs.NA math.NA physics.comp-ph
Efficient Adaptive Stochastic Collocation Strategies for Advection-Diffusion Problems with Uncertain Inputs
针对参数化对流扩散问题,提出一种结合随机配置与自适应时间步进的非侵入式自适应策略,利用分层估计器平衡参数误差和时间误差,构建随时间调整的多项式代理模型。
2023-05-12 cs.NA math.NA
Reduced-Order Modeling for Heston Stochastic Volatility Model
本文比较POD-Galerkin与DMD两种降阶方法在Heston期权定价中的应用,发现DMD虽需更多模态但加速效果更优。
2024-03-17 cs.NA math.NA
Machine Learning enhanced parametric Reynolds-averaged Navier-Stokes equations at the full- and reduced-order levels
SISSA(的里雅斯特国际高等研究学校);Politecnico di Torino(都灵理工大学)
本研究将机器学习与RANS模型融合,用$\nu_t$-向量基神经网络生成FOM快照,对比PODG与PODNN,发现PODNN在湍流方管流预测中性能更优。
2026-08-11 cs.NA math.NA physics.flu-dyn