基于最优预报元模型的敏感性分析

在虚拟原型设计过程中的实际应用中，并不总是能够降低物理模型的复杂度并获得可以快速求解的数值模型。通常，单次数值模拟需要数小时甚至数天。尽管数值方法和高性能计算取得了进展，在这种情况下，探索各种模型配置是不可能的，因此需要高效的代理模型。一般来说，可用的元模型技术根据所研究的问题显示出若干优势和劣势。在本文中，我们提出了一种针对当前问题自动选择最优合适元模型的方法。结合使用高级滤波技术自动降维变量空间，即使在处理高维问题时也能实现高效近似。这些滤波技术能够将高维变量空间缩减到一个更小的子空间，在该子空间中进行基于元模型的敏感性分析，以评估重要变量的影响，并识别具有最优代理模型的对应子空间，从而实现最精确的概率分析。为此，我们研究了基于方差的和无量矩的敏感性度量，并结合高级元模型——移动最小二乘和克里金方法。