基于主动学习的非侵入式模型降阶
机器学习
2022-04-20 v1 计算工程、金融与科学
数值分析
数值分析
摘要
模型降阶（MOR）技术可提供紧凑的数值模型以实现快速仿真。与侵入式 MOR 方法不同，非侵入式 MOR 不需要访问全阶模型（FOM），尤其是系统矩阵。由于非侵入式 MOR 方法强烈依赖于 FOM 的快照，构建良好的快照集变得至关重要。本工作中，我们提出一种具有两项新颖性的主动学习新方法。我们方法的一个新颖思路是使用从降阶状态空间估计中取得的系统状态的单时间步快照。这些状态采用由基于高斯过程回归（GPR）的误差估计器支持的贪婪策略选取。此外，我们引入一种基于可能近似正确（PAC）学习的与用例无关的验证策略。本工作中，我们使用人工神经网络（ANN）来辨识降阶模型（ROM），但该方法同样可应用于其他 ROM 辨识方法。整个工作流的性能通过二维热传导和三维真空炉模型进行测试。凭借极少的用户交互需求和独立于特定用例的训练策略，所提方法为创建所谓可执行数字孪生（DT）的工业应用提供了巨大潜力。
引用
@article{arxiv.2204.08523,
title = {Active-learning-based non-intrusive Model Order Reduction},
author = {Qinyu Zhuang and Dirk Hartmann and Hans Joachim Bungartz and Juan Manuel Lorenzi},
journal= {arXiv preprint arXiv:2204.08523},
year = {2022}
}