Projection-based reduced order models are effective at approximating parameter-dependent differential equations that are parametrically separable. When parametric separability is not satisfied, which occurs in both linear and nonlinear problems, projection-based methods fail to adequately reduce the computational complexity. Devising alternative reduced order models is crucial for obtaining efficient and accurate approximations to expensive high-fidelity models. In this work, we develop a time-stepping procedure for dynamical parameter-dependent problems, in which a neural-network is trained to propagate the coefficients of a reduced basis expansion. This results in an online stage with a computational cost independent of the size of the underlying problem. We demonstrate our method on several parabolic partial differential equations, including a problem that is not parametrically separable.


翻译:以预测为基础的降序模型对于接近以参数为依存的差异方程式是有效的,这些方程式是可分的。当参数分离性无法满足时(这发生在线性和非线性问题中),以预测为基础的方法无法充分减少计算的复杂性。设计替代的降序模型对于获得价格昂贵的高不忠模型的高效和准确近似值至关重要。在这项工作中,我们为动态的、以参数为依存的问题制定了一个时间跨步程序,其中对神经网络进行了培训,以传播减少基数扩展的系数。这导致在网上阶段出现计算成本,而计算成本与根本问题的规模无关。我们用几种参数偏差部分方程式演示了我们的方法,包括一个非分立性分离的问题。

0
下载
关闭预览

相关内容

专知会员服务
22+阅读 · 2021年4月10日
专知会员服务
50+阅读 · 2020年12月14日
已删除
将门创投
5+阅读 · 2019年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Arxiv
0+阅读 · 2021年12月15日
Arxiv
7+阅读 · 2020年6月29日
Arxiv
6+阅读 · 2018年10月3日
Arxiv
3+阅读 · 2018年8月17日
VIP会员
相关VIP内容
专知会员服务
22+阅读 · 2021年4月10日
专知会员服务
50+阅读 · 2020年12月14日
相关资讯
已删除
将门创投
5+阅读 · 2019年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Top
微信扫码咨询专知VIP会员