实验设计：优化感兴趣量以可靠降低模型输入参数的不确定性
数值分析
2016-01-26 v1
摘要
随着利益相关者和政策制定者日益依赖来自先进计算模型的定量预测，一个根本性问题是对模型输入与输出数据中不确定性的量化与降低。端到端不确定性量化的典型工作流首先需要利用可用感兴趣量（QoI）的输出数据来表述并求解随机逆问题（SIPs）。SIP的解通常写为模型输入空间上的概率测度或密度。随后，我们可以表述并求解随机正问题（SFP），其中模型输入上的不确定性通过模型传播，以对不可观测或未来的QoI数据做出定量预测。本工作中，我们使用测度论框架来表述并求解SIP与SFP。从该视角，我们量化了使用假设QoI集的几何特征，这些QoI集描述了SIP与SFP解的精度与准确度。这导出了最优实验设计的自然定义，即有限传感器集在时空中的最优配置。讨论了若干数值实例与应用，包括ADvanced CIRCulation（ADCIRC）模型利用飓风古斯塔夫的模拟数据来确定墨西哥湾中浮标的最优布置，以捕获风暴潮的高水位标记，从而降低底床粗糙特征的不确定性。
引用
@article{arxiv.1601.06702,
title = {Experimental Design : Optimizing Quantities of Interest to Reliably Reduce the Uncertainty in Model Input Parameters},
author = {Scott Walsh},
journal= {arXiv preprint arXiv:1601.06702},
year = {2016}
}