基于函数PCA与深度神经网络、利用瞬态实验数据的贝叶斯逆不确定性量化
机器学习
2024-01-08 v1 机器学习
摘要
逆UQ是基于实验数据反向量化模型输入不确定性的过程。本工作致力于针对时变响应开发一种逆UQ流程，采用函数主成分分析(PCA)降维以及基于深度神经网络(DNN)的代理模型。演示基于使用FEBA瞬态实验数据的TRACE物理模型参数逆UQ。测量数据为随时间变化的峰值包壳温度(PCT)。由于感兴趣量(QoI)是时变的，对应于无限维响应，使用PCA在保留PCT瞬态剖面的同时降低QoI维度，以使逆UQ过程更高效。然而，由于淬灭时刻的温度骤降，直接应用于PCT时间序列剖面的常规PCA难以精确表示数据。因此，采用函数对齐方法在降维前分离瞬态PCT剖面的相位与幅值信息。随后使用函数PCA的PC分数训练DNN，以建立TRACE的代理模型，从而降低马尔可夫链蒙特卡洛采样中的计算成本。使用贝叶斯神经网络估计DNN代理模型预测的不确定性。在本研究中，我们比较了四种采用不同降维方法与代理模型的逆UQ流程。所提方法在降低TRACE瞬态模拟维度方面表现出改进，且逆UQ结果的正向传播与实验数据具有更好的一致性。
引用
@article{arxiv.2307.05592,
title = {Functional PCA and Deep Neural Networks-based Bayesian Inverse Uncertainty Quantification with Transient Experimental Data},
author = {Ziyu Xie and Mahmoud Yaseen and Xu Wu},
journal= {arXiv preprint arXiv:2307.05592},
year = {2024}
}
备注
31 pages, 21 figures