Data fusion for Uncertainty Quantification with Non-Intrusive Polynomial Chaos
Data fusion for Uncertainty Quantification with Non-Intrusive Polynomial Chaos
复制标题
非侵入式多项式混沌不确定性量化的数据融合
DOI：
10.1016/j.cma.2020.113577
复制
发表时间：
2021
影响因子：
7.2
通讯作者：
Pepper N
中科院分区：
文献类型：
--
作者：
Pepper N
这项工作提出了一个框架，用于更新估计的概率分布，所产生的不确定性传播使用非侵入式多项式混沌（NIPC），与稀缺的实验测量的感兴趣的数量（QoI）。近年来，许多研究工作都致力于发展不同精度模型的组合方法，以传播不确定性，但通过考虑来自计算模型和实验的证据来改善不确定性传播的问题却很少受到关注。通过最大化原始估计和更新估计之间的熵，对概率分布进行最小偏差估计。进行约束优化，以找到多项式混沌展开（PCE）的系数，使估计值之间的Kullback-Leibler（KL）发散最小化，同时确保新的估计值符合QoI的可用实验测量所施加的约束。在这项工作中，一个新的约束，根据Dvoretzky-Kiefer-Wolfowitz不等式和Massart界（DKWM），而不是更常用的时刻为基础的约束。这样的约束允许稀缺的实验数据被用于通知概率分布的更新估计。
This work presents a framework for updating an estimate of a probability distribution, arising from an uncertainty propagation using Non-intrusive Polynomial Chaos (NIPC), with scarce experimental measurements of a Quantity of Interest (QoI). In recent years much work has been directed towards developing methods of combining models of different accuracies in order to propagate uncertainty, but the problem of improving uncertainty propagations by considering evidence from both computational models and experiments has received less attention.The framework described here uses the Maximum Entropy Principle (MEP) to find an updated, least biased estimate of a probability distribution by maximising the entropy between the original and updated estimates. A constrained optimisation is performed to find the coefficients of a Polynomial Chaos Expansion (PCE) that minimise the Kullback–Leibler (KL) divergence between estimates, while ensuring that the new estimate conforms to constraints imposed by the available experimental measurements of the QoI. In this work a novel constraint is used, based upon the Dvoretzky–Kiefer–Wolfowitz inequality and the Massart bound (DKWM), as opposed to the more commonly used moment-based constraints. Such a constraint allows scarce experimental data to be used in informing the updated estimate of the probability distribution.
登录
查看更多内容
DOI：
10.2139/ssrn.2403561
发表时间：
2014
期刊：
Forecasting Models eJournal
影响因子：
--
作者：
N. Fawcett;G. Kapetanios;James Mitchell;S. Price
通讯作者：
S. Price
DOI：
10.1016/j.cma.2019.112571
发表时间：
2019-12
影响因子：
7.2
作者：
Nick Pepper;F. Montomoli;Sanjiv Sharma
通讯作者：
Nick Pepper;F. Montomoli;Sanjiv Sharma
使用最大熵原理通过实验直方图数据约束重新加权集合概率。
DOI：
10.1063/1.5050926
发表时间：
2018
期刊：
The Journal of chemical physics
影响因子：
--
作者：
Hongfeng Lou;R. Cukier
通讯作者：
R. Cukier
空间分布明渠稳定流不确定性量化和相关性估计的多项式混沌与高斯过程代理的比较
DOI：
--
发表时间：
2017
期刊：
Stochastic environmental research and risk assessment (Print)
影响因子：
--
作者：
Pamphile T. Roy;N. El Moçayd;S. Ricci;J. Jouhaud;N. Goutal;Matthias De Lozzo;M. Rochoux
通讯作者：
M. Rochoux
使用谱随机差异模型进行多保真度不确定性量化。
DOI：
--
发表时间：
2015
期刊：
影响因子：
--
作者：
M. Eldred;L. W. Ng;M. Barone;S. Domino
通讯作者：
S. Domino