Process / pipeline

Nenoteiktības kvantifikācija — polinomiālais haoss un Kriginga surogātmodelis

Nenoteiktības kvantifikācija (UQ) ir skaitļošanas ietvars, lai sistemātiski mērītu, kā modeļa ievades nenoteiktība izplatās tā izvades nenoteiktībā. Balstoties uz Vīnera polinomiālā haosa teoriju (1938) un formalizēta vispārīgām stohastiskām problēmām, ko veikuši Sju un Karniadakis (2002), UQ izmanto divas primārās stratēģijas: Polinomiālā haosa izvēršana (PCE), kas attēlo modeļa izvadi kā ortogonālu polinomu rindu, kas saskaņota ar ievades sadalījumiem, un Kriginga (Gausa procesa) surogātmodeļus, kas dārgu simulāciju aizstāj ar ātru statistisko aproksimāciju, kas pielāgota nelielam rūpīgi izvēlētu palaišanas reižu kopumam.

Atvērt MethodMindDrīzumāVideoDrīzumāDownload slides

Lasīt pilno metodes aprakstu

Tikai dalībniekiem

Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.

Pieteikties

Method map

The neighbourhood of related methods — select a node to explore.

+5 more

Avoti

  1. Xiu, D. & Karniadakis, G.E. (2002). The Wiener-Askey Polynomial Chaos for Stochastic Differential Equations. SIAM Journal on Scientific Computing, 24(2), 619–644. DOI: 10.1137/S1064827501387826
  2. Smith, R.C. (2013). Uncertainty Quantification: Theory, Implementation, and Applications. SIAM. ISBN: 978-1611973211

Kā citēt šo lapu

ScholarGate. (2026, June 1). Uncertainty Quantification (Polynomial Chaos Expansion and Kriging Surrogate). ScholarGate. https://scholargate.app/lv/simulation/uncertainty-quantification

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Uz to atsaucas

ScholarGateUncertainty Quantification (Uncertainty Quantification (Polynomial Chaos Expansion and Kriging Surrogate)). Izgūts 2026-06-15 no https://scholargate.app/lv/simulation/uncertainty-quantification · Datu kopa: https://doi.org/10.5281/zenodo.20539026