.png){kind=icon}
返回
An efficient adaptive global sensitivity analysis method based on multi-fidelity sensitivity error information
.png){kind=icon}
PRE
AI
DOI：10.1007/s00158-025-04114-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
全局敏感性分析（GSA）是不确定性量化中的一个关键步骤，但通常需要巨大的计算成本来理解输入与输出之间的关系。为解决此问题，本文提出了一种基于多 fidelity 代理模型的自适应更新 GSA 方法（AHK-GSA）。该方法引入了一种基于高低 fidelity 敏感性分析结果的新型自适应更新函数。通过最大化该函数，可以同时提高代理模型和敏感性分析的精度。此外，通过计算迭代过程中敏感性分析误差的空间分布，该方法能自适应地修正多 fidelity 代理模型，实现代理模型与敏感性分析的全集成。采用四个数学算例及负泊松比超材料结构的力学问题验证了所提 AHK-GSA 的有效性。在数学算例中，所提 AHK-GSA 方法降低了敏感性分析的算力成本，总成本最多减少 47.1%。在负泊松比超材料结构的力学问题中，所提 AHK-GSA 方法相比其他三种最先进方法，分别降低了 23.3%、39.5% 和 32.35% 的算力成本。
Keyword:
Uncertainty quantification
Global sensitivity analysis
Multi-fidelity
Adaptive updating
Sensitivity analysis error
期刊
IF:
4
论文数:
4.9K
被引数:
1.7W
机构
引用论文
.png){kind=icon}
Extreme-oriented sensitivity analysis using sparse polynomial chaos expansion. Application to train-track-bridge systems基于稀疏多项式混沌展开的极值定向灵敏度分析.在列车-轨道-桥梁系统中的应用
OAAI
OAAI分享收藏The Future of Sensitivity Analysis: An essential discipline for systems modeling and policy supportOAAI
OAAI分享收藏分享收藏An efficient multi-fidelity Kriging surrogate model-based method for global sensitivity analysis
PREAI
分享收藏
查看更多内容