A Physics-Data-Driven Bayesian Method for Heat Conduction Problems
A Physics-Data-Driven Bayesian Method for Heat Conduction Problems
- Xinchao Jiang*, Hu Wang†, Yu li
State - 2021
- arxiv
- First author. E-mail address: jiangxinchao@hnu.edu.cn (X.C. Jiang) and Corresponding author. E-mail address: wanghu@hnu.edu.cn (H. Wang)
摘要
- 提出了物理数据驱动的贝叶斯方法,用以求解热传导方程。
- 热传导方程被编码到损失函数中,作为一个惩罚项。
- 能够使用更少数据,同时在正、逆问题上得到了研究。
- 此外,该方法可以在噪声数据下实现,并给出了相应的不确定性量化
动机
热传导问题包括正、逆问题。正问题是给定边界,几何形状,材料去求得温度场,逆问题是通过一些observations去重构出边界,几何形状或是材料参数。However, it is often difficult to obtain analytical results in the forward problem, and the inverse problem also often appears ill-posed。
问题
a general heat conduction equation is given as
考虑直角坐标系下,导热系数为常数,上式可表示为
这项工作主要研究其简化形式
上式涉及下列初值和边界条件
方法
其中w是概率模型的参数,使用最大似然估计。但是,最大似然估计容易过拟合,为了解决这个问题,贝叶斯框架下参数的后验分布也可以写成
w就能通过最大后验估计可以抵抗过拟合,因为这里的目标函数相当于最大似然估计的目标函数加上来自先验对数的正则化项
在这项工作中,w是来自高斯先验会产生一个L2正则化,所有的后验分布能够考虑权重不确定性下做预测。
真实的后验分布可由变分分布q(w∣θ)q(\boldsymbol{w} \mid \boldsymbol{\theta})q(w∣θ)估计,一个已知参数的函数。参数θ\thetaθ可由最小化KL散度。对于公式
贝叶斯神经网络构造的初始模型的损失可以描述为
求解整个问题的损失函数定义为
其中,LossT~=F(D,θ)\operatorname{Loss}_{\tilde{T}}=\mathcal{F}(\mathcal{D}, \boldsymbol{\theta})LossT~=F(D,θ)
实验部分
Steady heat conduction of a 3D heat sink(正逆问题)
Transient heat conduction problem of a 2D plate(正逆问题)
A Physics-Data-Driven Bayesian Method for Heat Conduction Problems相关推荐
- 非结构化文件转移服务器,非结构化数据存储管理方法,服务器和系统 Unstructured data storage management method, and a system server...
摘要: 本文提供一种非结构化数据存储管理方法,服务器和系统,解决现有技术中非结构化存储管理系统无法支撑大量的小文件及其元数据的存储和快速访问的问题. This article provides a m ...
- 大三小学期进阶课程第二十一课:reinforcement learning and data driven approaches
第21课.reinforcement learning and data driven approaches 解决规划问题,不能一上来就开始data driven,而是一步步来从rule based这 ...
- CUDA Samples: heat conduction(模拟热传导)
以下CUDA sample是分别用C++和CUDA实现的模拟热传导生成的图像,并对其中使用到的CUDA函数进行了解说,code参考了<GPU高性能编程CUDA实战>一书的第七章,各个文件内 ...
- Heat Transfer|L2_Introduction on Heat Conduction
Partial different equation of heat conduction ∂∂x(λ∂T∂x)+∂∂y(λ∂T∂y)+∂∂z(λ∂T∂z)+Φ˙=ρCp∂T∂t\frac{\part ...
- [D3] Start Visualizing Data Driven Documents with D3 v4
It's time to live up to D3's true name and potential by integrating some real data into your visuali ...
- [论文笔记]Trajectory Data Driven V2V/V2I Mode Switching and Bandwidth Allocation for Vehicle Networks
车辆的高机动性给车辆网络中高效可靠的通信带来挑战,其中的关键是如何实时处理大量的信道反馈信息以及如何更好地进行资源分配.本文提出一种利用轨迹数据的资源分配方法,其特点为减少CSI信息的反馈量并使V2V ...
- CUDA Accelerated Heat Conduction
做这个小程序最初的动机是,为了解决Blobby生成的空间函数系统不连续的问题.详细的推导过程可以结合Lipschitz条件进行.根据推测,AfterBurn应该是没有解决这个问题,当局部地区粒子数目很 ...
- Truncated Power Method for Sparse Eigenvalue Problems
目录 算法 k的选择 \(x\)的初始化 代码 抱歉,真的没怎么看懂,当然,估计和我现在没法静下心来好好看也有关系. 算法 想法非常非常简单吧,就是在原来幂法的基础上,每次迭代的时候再加个截断.当然, ...
- step26 heat conduction theta scheme
在这个算例中,我们需要注意的是,当theta大于等于0.5时,算例才会无条件收敛,误差不会线性增加,当theta为0显式法对时间步长有一定的要求.
最新文章
- MindSpore API编程概述
- c是编译语言吗,将语言编译为C是一个好主意吗?
- vim 高级使用技巧第二篇
- Android5.0新特性:全新的动画
- SpringBoot用Servlet处理请求
- mysql privileges_[转]mysql privileges
- OPenGL 颜色混合(Blending)
- Android 编程下设置 Activity 切换动画
- c++ 舞伴配对问题_R绘图:配对样本差异表达作图ggpubr
- oracle logical standby,Oracle10gR2 Logical Standby(一)概念与原理
- SDF(Signed-distance-field: 有向距离场)(12): Shadow And AO(WebGL实现)增强立体感
- servelt笔记一
- Android水波纹特效的简单实现
- 网络博客营销之博客设置和优化
- React Native Button使用
- Java基础(一):Java集合框架(超详细解析,看完面试不再怕)
- android 获取录音时长_Android、iOS录音时音量大小计算
- 仿美洽客服系统-gin框架内核独立自主源码开发在线客服系统
- Android 自定义View实现拖动滑块完成验证
- MATLAB交通标志识别系统
热门文章
- hdu 4506 小明系列故事——师兄帮帮忙
- excel一键清除按钮_一键清除Excel过滤器
- 入门级node+uni-app开发即时通讯聊天室(1)项目准备
- SALSA for unity 实现 眨眼 表情 口型
- 上门美容平台开发如何去定位自己的发展规划
- 线性回归实战之分析汽车油耗效率8.18
- 400G光模块的发展及现状|封装类型|易天光通信|ETU-LINK
- 初级php工程师考试,Autodesk AutoCAD Civil 3D初级工程师
- 云快充协议 - 共享充电桩平台APP
- SkeyeARS新版本发布,开启AR实景地图新篇章