Joint space–time wind field data extrapolation and uncertainty quantification using nonparametric Bayesian dictionary learning

George D. Pasparakis

doi:10.1016/j.ymssp.2025.113324

Joint space–time wind field data extrapolation and uncertainty quantification using nonparametric Bayesian dictionary learning

2025-09-17

0

PRE

AI

G

George D. Pasparakis

I

Ioannis A. Kougioumtzoglou *

M

Michael D. Shields

DOI：10.1016/j.ymssp.2025.113324

原文链接

原文求助

摘要

En 中文

风速/压力测量，无论是在野外还是风洞中，通常仅限于少数几个传感器位置，这限制了时空速度/压力场的高分辨率。基于非参数贝叶斯字典学习的方法被开发出来，用于联合时空风场数据的外推和相关统计量的估计，该方法依赖于有限的/不完整的测量数据。具体而言，利用稀疏/不完整的测量数据，针对随机风场的关联低维表示的展开系数的确定，建立了一个时变优化问题。与问题的替代方案、标准的压缩采样处理方法相比，所开发的方法具有以下优点。首先，贝叶斯公式化还使得能够量化估计中的不确定性。其次，避免了标准基于CS的应用中对展开基的先验选择要求。相反，本文根据采集的数据以自适应方式进行此项操作。总体而言，该方法在任意形式的高维数据以及相对较大的外推距离的情况下，均表现出增强的外推精度。因此，它可能被用于广泛的工程应用中，其中各种约束条件规定了使用有限数量传感器的使用。通过考虑两个案例研究，证明了该方法的有效性。第一个案例涉及在一个三维域（二维和时间）中，与规定联合波数-频率功率谱密度一致的风速记录模拟数据的外推。第二个案例涉及外推具有显著空间变异性及非高斯特征的四维（三维和时间）边界层风洞实验数据。

Joint space–time wind field data extrapolation and uncertainty quantification using nonparametric Bayesian dictionary learning

摘要

期刊

机构

引用论文