基于非负张量分解的无监督机器学习方法用于反应混合分析
计算工程、金融与科学
2019-07-24 v2 数值分析
机器学习
摘要
反应-扩散模拟的分析需要大量独立的模型运行。对于每次高保真模拟，改变输入参数，预测的混合行为由物种浓度的变化表示。然后需要辨别模型输入如何影响混合过程。该任务具有挑战性，通常涉及对大型模型输出的解释。然而，通过应用机器学习（ML）方法，该任务可以自动化并大幅简化。在本文中，我们提出了一种无监督 ML 方法（称为 NTFk）的应用，该方法使用非负张量分解（NTF）并结合基于 k-means 的自定义聚类程序来揭示产物浓度中的隐藏特征。所提出的 ML 方法的一个吸引人之处在于它确保提取的特征为非负，这对于获得混合过程的有意义解构非常重要。该 ML 方法应用于代表扰动涡基速度场中反应-扩散过程的大量高分辨率 FEM 模拟。所应用的 FEM 确保物种浓度始终为非负。模拟的反应是快速不可逆双分子反应。控制混合的反应-扩散模型输入参数包括速度场特性、各向异性弥散和分子扩散。我们展示了该 ML 方法产生模型输出的有意义解构以区分影响反应物、其混合和产物空间分布的不同物理过程的适用性。所呈现的 ML 分析使我们能够识别表征混合行为的加性特征。
引用
@article{arxiv.1805.06454,
title = {Unsupervised Machine Learning Based on Non-Negative Tensor Factorization for Analyzing Reactive-Mixing},
author = {V. V. Vesselinov and M. K. Mudunuru and S. Karra and D. O. Malley and B. S. Alexandrov},
journal= {arXiv preprint arXiv:1805.06454},
year = {2019}
}
备注
34 pages