高应变脆性断裂中多元机器学习预测的不确定性界
材料科学
2021-09-23 v2 机器学习
摘要
在脆性材料中进行高应变率冲击实验的裂纹网络演化模拟计算量非常大。若需通过多次模拟来考虑真实材料中固有的裂纹长度、位置和取向的随机性，成本会进一步增加。构建机器学习仿真器可使该过程加快数个数量级。然而，关于评估其预测误差的工作很少。估计这些误差对于有意义的总体不确定性量化至关重要。本工作中，我们将异方差不确定性估计扩展至约束多输出机器学习仿真器。我们发现响应预测在其预测误差范围内是准确的，但不确定性估计略偏保守。
引用
@article{arxiv.2012.15739,
title = {Uncertainty Bounds for Multivariate Machine Learning Predictions on High-Strain Brittle Fracture},
author = {Cristina Garcia-Cardona and M. Giselle Fernández-Godino and Daniel O'Malley and Tanmoy Bhattacharya},
journal= {arXiv preprint arXiv:2012.15739},
year = {2021}
}