.png){kind=icon}
返回
Dynamic model updating through reliability-based sequential history matching
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ymssp.2025.112689.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
计算机模型能够研究复杂系统，并被广泛应用于物理学、工程学和生物学等领域。历史匹配（HM）是一种统计校准方法，它通过考虑各种不确定性来源来更新模型参数，使输出与观测数据对齐。通过迭代排除不太可能产生合理输出的参数空间区域，HM识别并从所谓的非不合理域中进行采样。然而，HM的局限性在于它无法为模型参数提供完整的贝叶斯后验分布。此外，HM在观测到新数据时需要从头重新执行，缺乏利用先前结果的能力。为解决这些局限性，我们提出将序贯蒙特卡罗（SMC）方法与HM相结合，以实现序贯校准的完整贝叶斯后验分布。SMC框架提供了一种灵活且计算高效的方式，用于在新数据可用时更新先前构建的分布。该方法通过一个工程实例和一个具有序贯数据的心肺案例研究进行了验证。结果表明，通过SMC框架更新计算出的后验分布，可以有效地序贯学习后验分布的小扰动，从而实现针对演变数据流的动态且高效模型更新。
Keyword:
Model updating
Uncertainty quantification
Bayesian history matching
Sequential Monte Carlo
期刊
IF:
8.9
论文数:
1.3W
被引数:
6.6W
机构
引用论文
.png){kind=icon}
分享收藏Comparing physiological impacts of positive pressure ventilation versus self-breathing via a versatile cardiopulmonary model incorporating a novel alveoli opening mechanism比较正压通气与自主呼吸的生理影响：基于一种整合新型肺泡开放机制的通用心肺模型
OAAI
OAAI分享收藏分享收藏
查看更多内容