کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6929282 1449359 2018 19 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A machine learning approach for efficient uncertainty quantification using multiscale methods
ترجمه فارسی عنوان
یک روش یادگیری ماشین برای اندازه گیری عدم قطعیت کارآمد با استفاده از روش های چند بعدی
کلمات کلیدی
فراگیری ماشین، روش های چند منظوره، عدم قطعیت اندازه گیری، جریان رسانه متخلخل شبکه های عصبی،
ترجمه چکیده
چندین روش چند متغیره برای ویژگی های مقیاس زیر مقیاس با استفاده از توابع پایه مقیاس درشت. به عنوان مثال، در روش حجم چند منظوره محدودیت، توابع پایه مقیاس درشت با حل مجموعه ای از مشکلات محلی بر روی سلول های دوگانه شبکه بدست می آید. ما یک رویکرد مبتنی بر داده ها را برای برآورد این توابع پایه مقیاس درشت معرفی می کنیم. به طور خاص، ما یک پیش بینی شبکه عصبی را با استفاده از مجموعه ای از نمونه های راه حل که از آن یاد می گیریم برای تولید توابع پایه بعدی در هزینه های محاسباتی پایین تر از حل مشکلات محلی استفاده می کنیم، استفاده می کنیم. مزیت محاسباتی این رویکرد برای وظایف کم اهمیت عدم قطعیت که در آن تعداد زیادی از تحقق ها باید مورد ارزیابی قرار گیرد، درک می شود. ما توانایی یادگیری این توابع پایه را به مدولاسیون مشکلات محلی و افزونگی تکه های نفوذپذیری بین نمونه ها می دهیم. روش پیشنهادی بر روی مشکلات بیضوی با نتایج بسیار امیدوار کننده ارزیابی می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
پیش نمایش مقاله
یک روش یادگیری ماشین برای اندازه گیری عدم قطعیت کارآمد با استفاده از روش های چند بعدی
چکیده انگلیسی
Several multiscale methods account for sub-grid scale features using coarse scale basis functions. For example, in the Multiscale Finite Volume method the coarse scale basis functions are obtained by solving a set of local problems over dual-grid cells. We introduce a data-driven approach for the estimation of these coarse scale basis functions. Specifically, we employ a neural network predictor fitted using a set of solution samples from which it learns to generate subsequent basis functions at a lower computational cost than solving the local problems. The computational advantage of this approach is realized for uncertainty quantification tasks where a large number of realizations has to be evaluated. We attribute the ability to learn these basis functions to the modularity of the local problems and the redundancy of the permeability patches between samples. The proposed method is evaluated on elliptic problems yielding very promising results.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Computational Physics - Volume 354, 1 February 2018, Pages 493-511
نویسندگان
, ,