用于建模不确定且退化滞回系统的双保真 DeepONet 方法
机器学习
2023-04-26 v1 机器学习
摘要
非线性系统（如具有退化滞回行为的系统）在工程应用中屡见不鲜。此外，由于不确定性的普遍存在，此类系统的建模变得愈发困难。另一方面，在未考虑退化效应情况下开发的原始模型数据集易于获取。本文中，我们将未考虑滞回系统退化效应的原始模型数据集作为捕捉真实系统行为诸多重要特征的低保真表示，用于训练深度算子网络（DeepONet）。通过三个数值算例表明，所提出的利用 DeepONet 对低保真模型与真实系统响应间差异进行建模的方法，在退化滞回系统模型参数存在不确定性的情况下，显著降低了预测误差。
引用
@article{arxiv.2304.12609,
title = {A Bi-fidelity DeepONet Approach for Modeling Uncertain and Degrading Hysteretic Systems},
author = {Subhayan De and Patrick T. Brewick},
journal= {arXiv preprint arXiv:2304.12609},
year = {2023}
}
备注
23 pages, 15 figures