Core Concepts
Bayesianische neuronale Netzwerke bieten einzigartige Einblicke in die Struktur der Unsicherheit von datengesteuerten Modellen.
Abstract
Dieser Artikel untersucht die Verwendung von Bayesianischen neuronalen Netzwerken zur Schätzung von Unsicherheiten in reagierenden Strömungsmodellen. Es wird gezeigt, dass die Modelle einzigartige Einblicke in die Unsicherheitsstruktur bieten und eine Methode zur Integration von Out-of-Distribution-Informationen vorschlagen. Die Effektivität des Modells wird anhand einer Vielzahl von Flammenbedingungen und Brennstoffen demonstriert. Der Artikel gliedert sich in die Abschnitte Einleitung, Formulierung, Quellen der Unsicherheit, Datensatzgenerierung und Modellierung mit Bayesianischen neuronalen Netzwerken.
Einleitung
Numerische Simulationen turbulenter reagierender Strömungen erfordern aufgrund des breiten Spektrums an räumlichen und zeitlichen Skalen, die aufgelöst werden müssen, hohe Rechenleistung.
Verschiedene Modellierungsansätze wurden entwickelt, um die kleinsten räumlichen und zeitlichen Skalen zu vermeiden.
Datengetriebene Strategien werden aufgrund ihrer Flexibilität und der Verfügbarkeit von Daten immer beliebter.
Quellen der Unsicherheit
Unterscheidung zwischen aleatorischer und epistemischer Unsicherheit in numerischen Simulationen.
Aleatorische Unsicherheit ist inhärent und irreduzibel, während epistemische Unsicherheit aus einem Mangel an Wissen resultiert.
Datensatzgenerierung
Verwendung von DNS-Daten turbulenter vorgemischter Flammen zur Generierung des Datensatzes.
Auswahl von Eingangsmerkmalen basierend auf ihrer Bedeutung und Verwendung von Clustering-Methoden.
Modellierung mit Bayesianischen neuronalen Netzwerken
Beschreibung der Verwendung von BNNs zur Schätzung von Unsicherheiten in Modellen.
Erläuterung der Variational-Inferenz-Formulierung für das Training von BNNs.
Stats
Albeit flexible, data-driven models still depend on the dataset and the functional form of the model chosen.
BNNs reformulate deterministic deep learning models as point-estimators and emulate the construction of an ensemble of neural nets by assigning a probability distribution to each network parameter.
Recent applications of BNNs for combustion modeling have mostly focused on the prediction of macroscopic quantities such as ignition delay, fuel properties, or to accelerate data assimilation.
Quotes
"BNN models can provide unique insights about the structure of uncertainty of the data-driven closure models."