Feb, 2022
具有保留属性和可调折衷的物理系统代理建模
Surrogate Modeling for Physical Systems with Preserved Properties and Adjustable Tradeoffs
Randi Wang, Morad Behandish
TL;DR本文提出了一种框架，旨在自动开发一系列物理系统的代理模型，以协助进行时间（模拟成本）和精度之间的平衡，其中包括从一级原理生成高保真模型并应用自下而上的模型降阶和利用实验或模拟数据拟合人工本构关系来生成代理模型。
Abstract
Determining the proper level of details to develop and solve physical models
is usually difficult when one encounters new engineering problems. Such
difficulty comes from how to balance the time (simulation cost) and accuracy
for the physical model simulation afterwards. We propose a framework for
automatic development of a family of →
surrogate modelsmodel order reductionconstitutive relationssystem identification algorithmsdistributed parameter models
发现论文，激发创造
基于数据驱动的设计优化的二阶段代理建模及应用于复合微结构生成
提出了一种新颖的两阶段机器学习的代理建模框架，用于解决科学和工程领域中的反问题。该框架的独特贡献在于集成了符合推理，提供了一种多功能且高效的方法，可以广泛应用。通过进行基准测试和研究集中在纤维增强复合材料的微机械建模的工程应用，结果证实了我们提出的框架的优越性，因为它始终产生更可靠的解决方案。因此，引入的框架为促进机器学习的代理模型在实际应用中的相互作用提供了独特的视角。
Jan, 2024
基于主动学习的代理建模技术用于高效模拟参数非线性系统
本研究提出了一种非侵入式优化准则，以有效地构建参数化代理模型，利用基于核的浅层神经网络的主成分分析子空间和主动学习方法构建了 ActLearn-POD-KSNN 代理模型，该模型可以有效地预测新参数位置处的求解，即使在有多个相互作用的激波轮廓的情况下。
Jun, 2023
一种基于快速学习的电机简化模型
本文介绍了一种基于学习的代理模型构建方法，该方法将 Proper Orthogonal Decomposition 和多个 Support Vector Regression 机器相结合，用于实时参数化偏微分方程 (PDEs) 的求解，以实现数字孪生中的交互式分析。该方法在两个关于电机的实际应用案例中展现了良好的结果。
Jun, 2024
无需标记数据的高维代理建模和不确定性量化的物理约束深度学习
提出一种基于物理约束深度学习的建模和不确定性量化方法，避免深度学习在小样本问题上的跨度不足，可以用于偏微分方程系统的解决和预测推断，并提供一些解释和量化手段。
Jan, 2019