.png){kind=icon}
返回
A comprehensive multi-source uncertainty quantification method for RANS-CFD based on sparse multi-task deep active learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ast.2025.110483.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 本工作的主要创新包括：
• 开发了一种新颖的全面不确定性量化（UQ）框架用于计算流体动力学（CFD），该框架整合了不确定性传播、模型参数估计和模型平均，以高效处理模型输入、参数、选择、预测以及实验数据中的不确定性。
• 为降低全面CFD不确定性量化中的高昂计算成本，提出了一种稀疏多任务贝叶斯深度主动学习方法。该方法整合了用于多种湍流模型模拟的多任务贝叶斯神经网络（BNN）代理模型，并采用基于聚类的主动学习策略以提高效率。
• 所提出的UQ方法应用于气动分析，结果显示CFD预测精度得到提升，且置信区间包含所有实验数据，证明了该方法的有效性。
期刊
IF:
5.8
论文数:
1.0W
被引数:
3.0W
机构
暂无机构信息
引用论文
Experimental application of on-line parametric identification for nonlinear hysteretic systems with model uncertainty.png)
STRUCTURAL SAFETY
STRUCTURAL SAFETYIF6.3
PREAI
分享收藏Bayesian deep-learning for RUL prediction: An active learning perspective基于贝叶斯深度学习的RUL预测: 主动学习视角
PREAI
分享收藏分享收藏Various dimension reduction techniques for high dimensional data analysis: a review用于高维数据分析的各种降维技术: 综述
PREAI
分享收藏Parameter Estimation for Reynolds-Averaged Navier–Stokes Models Using Approximate Bayesian ComputationAIAA Journal
AIAA JournalIF0
PREAI
分享收藏
查看更多内容