کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6933742 867752 2013 28 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A nonparametric belief propagation method for uncertainty quantification with applications to flow in random porous media
ترجمه فارسی عنوان
یک روش غیرپارامتری برای انتشار بی اعتبار با استفاده از برنامه های کاربردی برای جریان در رسانه های تصادفی متخلخل
کلمات کلیدی
عدم قطعیت اندازه گیری، مدل سازی پیش بینی کننده مدل های گرافیکی احتمالی، جریان رسانه متخلخل انتشار عقیده غیرمتعارف، انتشار عقیده کور،
ترجمه چکیده
یک رویکرد مدل احتمالاتی گرافیکی برای اندازه گیری عدم قطعیت برای جریان در رسانه های متخلخل تصادفی معرفی شده است. تکنیک های کاهش مدل به صورت محلی در نمودار برای نشان دادن نفوذ پذیری تصادفی استفاده می شود. سپس توزیع مشروط پاسخ های چند خروجی در نمایش کم ابعاد میدان نفوذپذیری به محصول توابع بالقوه محلی تقسیم می شود. الگوریتم به حداکثر رساندن انتظار برای یادگیری عدم نمایش پارامتری این پتانسیل ها با استفاده از داده های ورودی / خروجی داده شده مورد استفاده قرار می گیرد. ما با استفاده از الگوریتم ترویج اعتقاد حلقه ای یک روش انتشار غیرپارامتری باور برای اندازه گیری عدم اطمینان ایجاد می کنیم. ماهیت غیر پارامتری مدل ما قادر به گرفتن ویژگی های غایی گاوسی از پاسخ است. چارچوب پیشنهاد شده می تواند به عنوان یک مدل جایگزین برای پیش بینی پاسخ ها برای تحقق ورودی های جدید و اعتماد به نفس در این پیش بینی ها استفاده شود. نمونه های عددی برای نشان دادن دقت و کارایی چارچوب پیشنهادی برای حل مسائل کمینه سازی عدم قطعیت در جریان ها از طریق رسانه های متخلخل با استفاده از زمینه های نفوذ پذیر ثابت و غیر ثابت ارائه شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
پیش نمایش مقاله
یک روش غیرپارامتری برای انتشار بی اعتبار با استفاده از برنامه های کاربردی برای جریان در رسانه های تصادفی متخلخل
چکیده انگلیسی
A probabilistic graphical model approach to uncertainty quantification for flows in random porous media is introduced. Model reduction techniques are used locally in the graph to represent the random permeability. Then the conditional distribution of the multi-output responses on the low dimensional representation of the permeability field is factorized into a product of local potential functions. An expectation-maximization algorithm is used to learn the nonparametric representation of these potentials using the given input/output data. We develop a nonparametric belief propagation method for uncertainty quantification by employing the loopy belief propagation algorithm. The nonparametric nature of our model is able to capture non-Gaussian features of the response. The proposed framework can be used as a surrogate model to predict the responses for new input realizations as well as our confidence on these predictions. Numerical examples are presented to demonstrate the accuracy and efficiency of the proposed framework for solving uncertainty quantification problems in flows through porous media using stationary and non-stationary permeability fields.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Computational Physics - Volume 250, 1 October 2013, Pages 616-643
نویسندگان
, ,