基于降阶模型字典的工业设计不确定性量化
机器学习
2023-02-02 v1 机器学习
摘要
我们考虑基于字典的ROM-net（降阶模型）框架[T. Daniel, F. Casenave, N. Akkari, D. Ryckelynck, Model order reduction assisted by deep neural networks (ROM-net), Advanced modeling and Simulation in Engineering Sciences 7 (16), 2020]并总结其基础方法与近期改进。本工作的主要贡献是将完整工作流应用于一个真实工业模型：承受热、离心和压力载荷的弹黏塑性高压涡轮叶片，用于量化由温度载荷场不确定性引起的对偶量（如累积塑性应变与应力张量）的不确定性。基于字典的ROM-net在2小时48分钟内计算了温度载荷场1008次Monte Carlo抽样的对偶量预测，相对于使用区域分解的参考并行求解器实现了大于600倍的加速，相对误差约为2%。本工作的另一贡献在于推导了一个元模型，用于从对偶量在约化积分点上的值重建其在完整网格上的对偶量。
引用
@article{arxiv.2108.04012,
title = {Uncertainty quantification for industrial design using dictionaries of reduced order models},
author = {Thomas Daniel and Fabien Casenave and Nissrine Akkari and David Ryckelynck and Christian Rey},
journal= {arXiv preprint arXiv:2108.04012},
year = {2023}
}