This work focuses on the space-time reduced-order modeling (ROM) method for solving large-scale uncertainty quantification (UQ) problems with multiple random coefficients. In contrast with the traditional space ROM approach, which performs dimension reduction in the spatial dimension, the space-time ROM approach performs dimension reduction on both the spatial and temporal domains, and thus enables accurate approximate solutions at a low cost. We incorporate the space-time ROM strategy with various classical stochastic UQ propagation methods such as stochastic Galerkin and Monte Carlo. Numerical results demonstrate that our methodology has significant computational advantages compared to state-of-the-art ROM approaches. By testing the approximation errors, we show that there is no obvious loss of simulation accuracy for space-time ROM given its high computational efficiency.


翻译:这项工作侧重于解决使用多种随机系数的大规模不确定性量化(UQ)问题的空间-时间减序模型(ROM)方法(ROM),与传统的空间-时间模型(ROM)方法(Space-ROM方法,该方法在空间层面的尺寸减少)相比,空间-时间-ROM方法在空间和时空领域都具有尺寸减少的作用,从而能够以低成本实现准确的近似解决办法。我们把空间-时间光谱战略与各种传统的随机UQ传播方法(如Stochatic Galerkin和Monte Carlo)结合起来。数字结果表明,与最先进的ROM方法相比,我们的方法具有重大的计算优势。通过测试近似误差,我们表明,由于计算效率高,对空间-时间光谱的模拟准确性没有明显损失。

0
下载
关闭预览

相关内容

【Cell】神经算法推理,Neural algorithmic reasoning
专知会员服务
28+阅读 · 2021年7月16日
专知会员服务
50+阅读 · 2020年12月14日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
专知会员服务
52+阅读 · 2020年9月7日
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
109+阅读 · 2020年5月15日
最新《图理论》笔记书,98页pdf
专知
51+阅读 · 2020年12月27日
ICML2019机器学习顶会接受论文列表!
专知
10+阅读 · 2019年5月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
Arxiv
0+阅读 · 2022年1月14日
Arxiv
0+阅读 · 2022年1月13日
Arxiv
3+阅读 · 2020年7月16日
Learning to Importance Sample in Primary Sample Space
Arxiv
3+阅读 · 2018年2月24日
VIP会员
Top
微信扫码咨询专知VIP会员