基于物理的降阶建模与贝叶斯优化用于导波传播不确定性量化
机器学习
2023-07-20 v1
摘要
在数字孪生背景下，结构健康监测（SHM）构成基于状态维护的支柱，促进虚拟与物理资产互联。导波传播（GWP）常用于 SHM 中结构检测。然而，GWP 对结构材料特性变化敏感，导致误报。在此方向上，不确定性量化（UQ）常被应用以提升预测可靠性。计算力学是 GWP 模拟的有用工具，并常用于 UQ。即便如此，UQ 方法应用需要大量模拟，而大规模瞬态数值 GWP 解增加了计算成本。降阶模型（ROMs）常被用来在有限时间内提供数值结果。本文中，我们提出一种基于机器学习（ML）的 ROM，称为 BO-ML-ROM，以降低 GWP 模拟相关计算时间。该 ROM 与贝叶斯优化（BO）框架集成，自适应采样 ROM 训练参数。有限元方法用于高保真模型模拟。所构建 ROM 用于具有变化材料特性的铝板中 GWP 的前向 UQ。为确定各参数扰动影响，基于 Sobol' 指数实施了基于全局方差的敏感性分析。结果表明贝叶斯优化在精度与加速方面均优于一次性采样方法。预测结果揭示了 BO-ML-ROM 对 GWP 的效率并展示其对于 UQ 的价值。
引用
@article{arxiv.2307.09661,
title = {Physics-based Reduced Order Modeling for Uncertainty Quantification of Guided Wave Propagation using Bayesian Optimization},
author = {G. I. Drakoulas and T. V. Gortsas and D. Polyzos},
journal= {arXiv preprint arXiv:2307.09661},
year = {2023}
}