基于多保真深度神经网络的代理建模与不确定性量化
摘要：多保真度深度神经网络（MF-DNN）是一种新的架构，能够同时近似非线性和线性之间的相关性。与现有的神经网络相比，MF-DNN可以自主学习任意相关性。该论文首先通过近似具有线性或非线性相关性的1维、32维和100维基准函数来展示MF-DNN的预测精度。代理建模结果表明，MF-DNN对于测试函数具有出色的近似能力。随后，将MF-DNN应用于模拟具有均匀分布或高斯分布输入不确定性影响的1维、32维和100维随机不确定性传播过程。不确定性量化（UQ）结果验证了MF-DNN在预测感兴趣数量（QoI）的概率密度分布以及统计矩的准确性方面的高效性。MF-DNN还被应用于模拟涡轮叶片LS89的物理流动。根据二维欧拉流场和少量实验测量数据点，MF-DNN很好地预测了等熵马赫数的分布。该论文认为，MF-DNN在解决多保真度数据源的不确定性量化和鲁棒优化问题上具有潜在的应用前景。
作者：Zhihui Li, Francesco Montomoli
论文ID：2308.01261
分类：Computational Physics
分类简称：physics.comp-ph
提交时间：2023-08-09