Single- to multi-fidelity history-dependent learning with uncertainty quantification and disentanglement: application to data-driven constitutive modeling
Created by
Haebom
저자
Jiaxiang Yi, Bernardo P. Ferreira, Miguel A. Bessa
개요
본 논문은 데이터 기반 학습을 확장하여, 역사 의존적 다중 충실도 데이터를 고려하고, 인식적 불확실성을 정량화하며, 데이터 잡음(확률적 불확실성)과 분리하는 방법을 제시합니다. 계층적 구조를 가지는 이 방법은 단순한 단일 충실도 결정론적 신경망 학습부터 제안된 다중 충실도 분산 추정 베이지안 순환 신경망 학습까지 다양한 학습 시나리오에 적용 가능합니다. 다양한 충실도의 데이터 (잡음 유무 포함)를 사용하는 여러 데이터 기반 구성 모델링 시나리오에 적용하여 방법의 다양성과 일반성을 입증했습니다. 본 방법은 응답을 정확하게 예측하고 모델 오차를 정량화하며, 잡음 분포(존재하는 경우)를 파악합니다. 이는 불확실성 하에서의 설계 및 분석을 포함하는 가장 어려운 사례를 포함하여 다양한 과학 및 공학 분야의 실제 응용에 대한 기회를 열어줍니다.
시사점, 한계점
•
시사점:
◦
역사 의존적 다중 충실도 데이터를 사용한 데이터 기반 학습의 일반화 가능성 제시
◦
인식적 불확실성과 확률적 불확실성의 분리 및 정량화
◦
다양한 학습 시나리오(단일/다중 충실도, 결정론적/베이지안)에 적용 가능한 유연한 방법론 제시
