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
Solving Stochastic PDEs Using FEniCS and UQtk
谱随机有限元法是求解随机偏微分方程的一种强有力的数值方法。然而,它在学术和工业应用中没有被广泛采用,因为它需要在PDE求解器中进行侵入式调整,与非侵入式(采样)SSFEM相比,这需要大量的编码工作。使用随机PDE的一个例子,在这篇文章中,我们证明了使用FEniCS -一个通用的有限元包和UQTk -一个集合的库和工具的量化不确定性,可以减轻实施的挑战,侵入性的方法。此外,算法的细节和代码片段提供,以帮助计算科学家在实现这些方法的应用。本文摘自作者的论文[1]。
2022-09-19 cs.CE cs.DM cs.NA
Uncertainty quantification for nonlinear solid mechanics using reduced order models with Gaussian process regression
不确定性量化(UQ)任务,如灵敏度分析和参数估计,在处理涉及非线性微分问题解的输入-输出映射时,由于需要反复查询昂贵的数值求解器,需要巨大的计算复杂性。基于投影的降阶模型(ROM),例如Galerkin降阶基(RB)方法,在过去几十年中得到了广泛的发展,以克服高保真全阶模型(FOM)的计算复杂性,在解决与参数化微分问题相关的UQ任务时提供显著的加速。尽管如此,构建一个基于投影的ROM,可以有效地查询通常需要大量的修改原始代码,这是一个非线性问题的任务,甚至是不可能的,当使用专有软件。非侵入式ROM-依赖于FOM作为黑盒-最近已经开发来克服这个问题。在这项工作中,我们认为ROM利用适当的正交分解,从一组FOM快照,高斯过程回归(GPR)近似RB投影系数构建一个减少的基础。两种不同的方法,即全球GPR和张量分解为基础的GPR,探讨了一组三维时变固体力学的例子。最后,利用非侵入式ROM进行全球灵敏度分析(依赖于筛选和方差为基础的方法)和参数估计(通过马尔可夫链蒙特卡罗方法),显示出显着的计算加速和非常好的精度相比,高保真FOM。
2023-02-16 cs.CE cs.NA math.NA
Sliced-Inverse-Regression-Aided Rotated Compressive Sensing Method for Uncertainty Quantification
Pacific Northwest National Laboratory(太平洋西北国家实验室)
本文提出基于切片逆回归的旋转压缩感知方法,用于提升随机量的赫尔米特多项式展开的稀疏性,提高不确定性量化的效率和准确性。
2018-09-10 cs.NA math.NA
Uncertainty Quantification by MLMC and Local Time-stepping For Wave Propagation
蒙特卡罗方法由于其鲁棒性、高效性和非侵入性,可能是不确定性量化中最流行的方法,用于计算感兴趣的量(QoIs)的期望值。多层蒙特卡罗(MLMC)方法通过将采样分布在离散化的层次结构中并将大多数样本分配到较粗的网格中来显着降低计算成本。对于不定常问题,空间粗化通常需要增加时间步长。然而,几何约束可能会阻碍均匀粗化,从而迫使一些元素在所有级别上保持较小。如果使用显式时间步长,则时间步长将由每个水平上的最小元素决定,以实现数值稳定性。因此,越来越严格的CFL条件上的时间步长上的粗糙水平显着降低了多层次的方法的优势。为了克服这一瓶颈,我们建议结合MLMC与本地时间步进(LTS)的多级方法。通过调整时间步长以适应每个层次上的局部细化元素,MLMC方法的效率即使在存在复杂几何的情况下也能恢复,而不会牺牲显式性和固有的并行性。在一个仔细的成本比较,我们量化的计算成本的减少,无论是在一个小的固定区域内,或对一个重入角的局部细化。
2022-04-11 cs.NA math.NA
A hyperbolicity-preserving discontinuous stochastic Galerkin scheme for uncertain hyperbolic systems of equations
入侵的不确定性量化方法,如随机伽辽金越来越受欢迎,而经典的随机伽辽金方法不能确保保持双曲性的基础双曲系统。我们应用这种方法的修改,使用斜率限制器保留系统的可采纳解,同时提供高阶近似的物理和随机空间。这是使用空间不连续的伽辽金计划和多元素随机伽辽金Anastrophe在随机空间。我们分析了所得到的格式的收敛性,并将其应用于可压缩欧拉方程的各种不确定性初态在一个和两个空间域多达三个不确定性。在多个随机维度的性能相比,非侵入式随机配置法。数值结果强调了我们的方法的强度,特别是如果不连续存在的不确定性的解决方案。
2019-12-19 cs.NA math.NA
A polynomial chaos approach for uncertainty quantification of Monte Carlo transport codes
本文提出改进的多项式混沌代理模型方法,用于蒙特卡洛辐射输运的不确定性量化,通过非侵入式谱投影,改进重采样成本,实现方差无偏估计和自适应展开。
2024-03-10 cs.NA math.NA math.ST
An adaptive minimum spanning tree multi-element method for uncertainty quantification of smooth and discontinuous responses
Centrum Wiskunde & Informatica (CWI)(数学与计算机科学中心);Eindhoven University of Technology(埃因霍温理工大学)
本文提出了一种非侵入性不确定性传播新方法,结合最小生成树与支持向量机域分解,解决传统方法在不连续响应下的精度问题,通过局部最优点插值实现稳定插值。
2018-03-19 cs.NA math.NA
Deep learning enhanced cost-aware multi-fidelity uncertainty quantification of a computational model for radiotherapy
本文提出一种深度学习增强的多保真度蒙特卡洛方法(DL-MFMC),通过结合全阶模型与基于POD和网格信息神经网络的降阶模型,有效加速了微循环多尺度模型在放射治疗中的前向不确定性量化,显著降低了计算成本。
2024-02-13 cs.NA math.NA
Bi-fidelity approximation for uncertainty quantification and sensitivity analysis of irradiated particle-laden turbulence
University of Colorado Boulder(科罗拉多大学博尔德分校);Stanford University(斯坦福大学);Sandia National Laboratories(桑迪亚国家实验室)
本文提出双保真近似方法,用于高效处理受辐照粒子流体湍流的不确定性量化和灵敏度分析,通过利用解的低秩结构降低计算成本。
2018-08-17 cs.NA math.NA physics.comp-ph
An introduction to uncertainty quantification for kinetic equations and related problems
本文综述了动力学方程不确定性量化及随机输入相关问题的最新研究成果。不确定性可能是由于各种原因造成的,例如缺乏对微观相互作用细节的了解,或者边界或初始数据的信息不完整。这些不确定性导致了维数灾难,发展有效的数值方法是一个挑战。在简要介绍了偏微分方程不确定性量化的主要数值方法之后,重点介绍了动力学方程的多保真度方法和随机Galerkin方法的一些最新进展。
2020-04-10 cs.NA math-ph math.MP
A hyperbolicity-preserving stochastic Galerkin approximation for uncertain hyperbolic systems of equations
TU Kaiserslautern(凯泽斯劳滕工业大学)
本文提出了一种改进的随机伽辽金方法,以保持超几何系统的超几何性,应用于可压缩欧拉方程和辐射传输的M_1模型,证明了该方法在不确定量化中的有效性和计算效率。
2017-10-10 cs.NA math.NA
Filtered Stochastic Galerkin Methods For Hyperbolic Equations
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);University of Notre Dame(圣母大学)
本文提出了一种过滤随机伽辽金方法,通过Lasso回归过滤gPC系数以减少振荡,从而在激波附近更准确地估计期望值和方差。
2018-10-02 cs.NA math.NA math.PR
Optimal fidelity multi-level Monte Carlo for quantification of uncertainty in simulations of cloud cavitation collapse
ETH Zürich(苏黎世联邦理工学院);Eawag, Swiss Federal Institute of Aquatic Science and Technology(瑞士联邦水科学与技术研究所以)
本文提出一种最优保真多级蒙特卡洛方法,用于量化云腔崩溃模拟中极端压力斑点位置和强度的不确定性,通过引入新的最优控制变量化系数显著提高方差减少效率,实现比传统蒙特卡洛方法快两个数量级的计算速度。
2017-05-11 cs.CE cs.DC cs.NA
The Sparse Grids Matlab kit -- a Matlab implementation of sparse grids for high-dimensional function approximation and uncertainty quantification
本文介绍了用于高维函数逼近和不确定性量化的Sparse Grids Matlab Kit工具包,说明其轻量易用、兼顾教学与实际应用的特点,阐述其基础数据结构与数学原理,并与同类软件做了对比。
2023-10-09 cs.MS cs.NA math.NA
Robust information divergences for model-form uncertainty arising from sparse data in random PDE
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
本文提出了一种新的混合信息分歧应用,用于分析稳态地下流问题中的不确定性。这些混合信息分歧是非侵入性的、以目标为导向的不确定性量化工具,能够实现稳健的数据驱动预测,支持关键决策任务如监管评估和风险管理。通过数值实验,研究了模型形式或epistemic不确定性传播,并展示了不确定性量化界限,包括参数敏感性分析和由于稀疏数据导致的模型规格不正确。此外,还建立了混合信息分歧与某些集中不等式之间的联系,这些不等式可用于高效计算,并通过合适的统计量考虑任何可用数据。
2018-09-16 cs.NA math.NA math.PR
OpenLB-UQ: An Uncertainty Quantification Framework for Incompressible Fluid Flow Simulations
本文提出 OpenLB-UQ 框架,将广义多项式混沌与蒙特卡洛采样的非侵入式随机配点法集成到 OpenLB 格子玻尔兹曼库中,通过 Taylor–Green 涡流和圆柱绕流基准验证了其在不可压缩流动不确定性量化中的收敛性、统计准确性与可扩展性。
2025-08-19 cs.MS cs.NA math.NA
Accurate Data-Driven Surrogates of Dynamical Systems for Forward Propagation of Uncertainty
Sandia National Laboratories(桑迪亚国家实验室)
针对动力系统不确定性传播中随机配置代理不准确的问题,提出将SC应用于模型动力学并结合SINDy框架,通过时间积分构建代理解,在混沌ODE和两个固体力学PDE上验证了更低的轨迹与状态分布误差。
2023-10-16 cs.LG cs.NA math.DS
Uncertain data assimilation for urban wind flow simulations with OpenLB-UQ
本文提出OpenLB-UQ框架,将格子玻尔兹曼方法与基于广义多项式混沌的随机配置法相结合,高效量化城市风场模拟中的边界条件不确定性,实现实时不确定性感知预测。
2025-08-25 cs.MS cs.NA math.NA