Kontaktperson
Maskininlärning och osäkerhetspropagering
Maskininlärning (ML) är ett effektivt verktyg för att efterlikna komplexa processer. Numeriska beräkningar som förekommer inom strömningsmekanik (CFD) är ofta extremt tidskrävande och kan uppta betydande datorresurser under en längre tidsperiod vilket ofta resulterar i en mycket begränsad mängd resultat.
En fullständig osäkerhetspropageringsstudie går i de flesta fall inte att göra, men en ny användning av ML kan ändå ge en bra uppskattning av propagering av osäkerheter i indata och hur de påverkar simuleringsresultatet. Vi kallar det MLUP (Machine Learning for Uncertainty Propagation).
Ett enkelt exempel på en komplex process är luftströmning i en kanal med t.ex. variabel temperatur, viskositet, inloppshastighet och randvillkor. En simulering av luftflödet i en kanal över ett steg avses här för att visa MLUP-metodiken. Osäkerhetskvantifiering handlar om kvantitativ karakterisering och begränsningar av osäkerheter i både beräkningar och experimentella utvärderingar. Det grundläggande problemet är att bestämma hur trovärdigt ett resultat är om vissa aspekter av systemet inte är exakt kända. Metodiken testas på följande sätt, två separata simuleringsserier skapas med Full Factorial Design. Det neurala nätverket (ANN) tränas på den första uppsättningen av data och används sedan för att förutsäga spridningen i data (standardavvikelser) på den andra uppsättningen av data med hjälp av centerfallet i den andra uppsättningen som indata.
De predikterade resultaten jämförs sedan med data från den andra uppsättningen. Det bör betonas att vi kan det borde vara möjligt att realisera MLUP i ett brett spektrum av, till exempel för olika process och systemsimuleringar, LCA och kopplade technoekonomiska applikationer. Osäkerheter är en nyckelparameter man behöver ta hänsyn till i allt från kvalitetsbedömningar till beslutsfattande och säkerhetsåtgärder. Tveka inte att kontakta oss om du är intresserad av mer information.
