面向深度学习材料定律与不确定性传播的可解释因果关系数据驱动发现
机器学习
2021-05-24 v1 机器学习
摘要
本文提出了一种生成具有不确定性量化（UQ）的集成预测力学模型的计算框架。我们首先开发了一种因果发现算法，通过有向无环图（DAG）推断每个代表性体积单元（RVE）模拟期间测量的时程数据之间的因果关系。利用从多个 RVE 模拟估计出的多组合理因果关系，在导出的因果图中传播预测，同时使用配备 dropout 层的深度神经网络作为贝叶斯近似进行不确定性量化。我们选取了两个代表性数值算例（摩擦界面的牵引-分离定律、颗粒集合体的弹塑性模型）来检验所提因果发现方法在土木工程应用中常见材料定律预测中的准确性与鲁棒性。
引用
@article{arxiv.2105.09980,
title = {Data-driven discovery of interpretable causal relations for deep learning material laws with uncertainty propagation},
author = {Xiao Sun and Bahador Bahmani and Nikolaos N. Vlassis and WaiChing Sun and Yanxun Xu},
journal= {arXiv preprint arXiv:2105.09980},
year = {2021}
}
备注
43 pages, 27 figures