双保真数据辅助神经网络在非侵入式降阶建模中的应用
机器学习
2019-02-06 v2 机器学习
摘要
本文提出一种当存在廉价低 fidelity 模型与昂贵高 fidelity 模型时的新型非侵入式降基方法。该方法依赖本征正交分解（POD）生成高保真降基，并利用浅层多层感知机学习高保真降阶系数。与其他方法相比，所提方法的一个显著特征是将从低保真数据提取的特征作为入特征，该方法不仅提升了神经网络的预测能力，还使高保真仿真与在线阶段解耦。由于其非侵入性质，它适用于一般参数化问题。我们还提供了若干数值算例以阐明所提方法的有效性与性能。
引用
@article{arxiv.1902.00148,
title = {Bifidelity data-assisted neural networks in nonintrusive reduced-order modeling},
author = {Chuan Lu and Xueyu Zhu},
journal= {arXiv preprint arXiv:1902.00148},
year = {2019}
}