基于不同参数的多保真度不确定性量化
摘要：多保真度不确定性量化（MF UQ）采样方法已被证明可以显著减少统计估计器的方差，同时保持最高保真模型的偏差，前提是低保真模型之间存在良好的相关性。然而，保持高水平的相关性可能具有挑战性，特别是当模型依赖于不同的输入不确定参数时，这会大大降低相关性。现有的MF UQ方法未能充分解决这个问题。在这项工作中，我们提出了一种新的采样策略，利用共享空间来提高具有不同参数化的模型之间的相关性。我们通过使用自适应基础（AB）方法将原始坐标转换到辅助流形上来实现这一目标。AB方法具有两个主要优势：（1）它提供了一个有效的工具来识别每个模型可以表示的低维流形，（2）它能够实现从高维到低维空间的多项式混沌表示的简单转换。这后一个特征被用于在不需要额外计算的情况下识别模型之间的共享流形。我们提供了两种新估计器的算法版本，以涵盖不同的分析场景，包括具有遗留和非遗留高保真数据的情况。我们提供了解析实例、直接场声学测试和核燃料组件的有限元模型的数值结果。对于所有例子，我们将所提出的策略与基于原始模型参数化的单保真度和MF估计器进行了比较。
作者：Xiaoshu Zeng, Gianluca Geraci, Michael S. Eldred, John D. Jakeman, Alex A. Gorodetsky, Roger Ghanem
论文ID：2304.08644
分类：Data Analysis, Statistics and Probability
分类简称：physics.data-an
提交时间：2023-08-16