提高计算机模拟预测能力的途径：将反向不确定性量化、定量验证与贝叶斯假设检验相结合
摘要：核系统模拟和仿真的最佳估计加不确定性（BEPU）方法要求必须量化预测不确定性，以证明所研究的设计符合接受标准。严格的不确定性量化（UQ）过程应同时考虑多个可量化不确定性的来源：（1）由于随机性或缺乏知识而导致的参数不确定性；（2）由于测量噪声而引起的实验不确定性；（3）由于缺失/不完全物理知识和数值逼近误差而导致的模型不确定性，以及（4）当使用替代模型时的代码不确定性。在本文中，我们提出了一个综合框架，将反向UQ和定量验证的结果结合起来，提供强大的预测，以考虑所有这些不确定性的来源。 反向UQ基于实验数据量化参数不确定性，同时考虑模型、代码和测量的不确定性。在验证步骤中，我们使用基于贝叶斯假设检验的定量验证指标。得到的指标称为贝叶斯因子，然后用于形成加权因子，将参数不确定性的先验知识和后验知识在贝叶斯模型平均过程中结合起来。通过这种方式，模型预测将能够综合反向UQ和验证的结果，考虑所有可用的不确定性来源。这一框架是解决ANS核大挑战中的“模拟/实验”问题的一步，弥合模型和数据之间的差距。
作者：Ziyu Xie, Farah Alsafadi, Xu Wu
论文ID：2105.00553
分类：Computation
分类简称：stat.CO
提交时间：2023-03-24