数据与深度学习模型不确定性的结合：在固体燃料回归速率测量中的应用

在复杂物理过程表征中，例如固体混合火箭燃料回归速率的测量，观测数据和所用模型均具有源自多个来源的不确定性，如何以系统化方式将这些不确定性结合起来以获取感兴趣量（QoI）仍然是一个挑战。本文提出了一种前向传播不确定性量化（UQ）过程，以生成观测回归速率$\dot{r}$的概率分布。我们表征了来自实验的两个输入数据不确定性源（相机畸变$U_c$和非零角度燃料放置$U_\gamma$）、来自深度神经网络的预测与模型形式不确定性（$U_m$），以及用于训练网络的人工分割图像的变异性（$U_s$）。我们针对这些不确定性源与模型形式不确定性的组合进行了七项案例研究。本文的主要贡献在于研究并纳入了所涉及的实验图像数据不确定性，以及当QoI是多个顺序过程的结果时，如何将它们纳入工作流中。