面向核系统的工业4.0——融合深度学习、代理模型与迁移学习及不确定性量化的数字孪生
机器学习
2022-10-17 v1 应用统计
摘要
工业4.0旨在通过技术革命将传统工业转化为智能工业。这一革命唯有通过创新、优化、互联与快速决策能力方可实现。数值模型被视为工业4.0的关键组成部分,可通过仿真而非昂贵实验来促进快速决策。然而,用于优化或决策的高保真精确数值模型的数值研究通常耗时且计算昂贵。在此情形下,数据驱动的代理模型是快速计算分析以及针对新输入参数对输出参数进行概率预测的极佳替代。物联网(IoT)与机器学习(ML)的出现使代理建模概念更具可行性。但这些代理模型含有内在不确定性,源于建模缺陷或二者兼有。若不对这些不确定性进行量化与最小化,可能产生偏倚结果。因此,在优化、降本或安全提升过程分析中,妥善实施不确定性量化技术至关重要。本章先简要概述代理建模、迁移学习、物联网与数字孪生的概念,随后详细综述不确定性、不确定性量化框架,以及关联数字孪生的代理模型之不确定性量化方法细节,最后论述核工业中不确定性量化方法的应用。
引用
@article{arxiv.2210.00074,
title = {Leveraging Industry 4.0 -- Deep Learning, Surrogate Model and Transfer Learning with Uncertainty Quantification Incorporated into Digital Twin for Nuclear System},
author = {M. Rahman and Abid Khan and Sayeed Anowar and Md Al-Imran and Richa Verma and Dinesh Kumar and Kazuma Kobayashi and Syed Alam},
journal= {arXiv preprint arXiv:2210.00074},
year = {2022}
}