基于深度操作学习的代理模型及其不确定性量化方法：应用于内部冷却通道肋条优化

Jun, 2023

基于深度操作学习的代理模型及其不确定性量化方法：应用于内部冷却通道肋条优化

Deep Operator Learning-based Surrogate Models with Uncertainty Quantification for Optimizing Internal Cooling Channel Rib Profiles

PDF

Izzet Sahin, Christian Moya, Amirhossein Mollaali, Guang Lina, Guillermo Paniagua

TL;DR使用 DeepONet 框架构建 Bayesian DeepONet 做出了可靠的替代模型，为研究热性能提供了有效的不确定性量化，并通过一种新颖的随机梯度复制交换 MCMC 框架对 DeepONet 参数的后验分布进行采样，以提供更准确的预测。

Abstract

This paper designs surrogate models with uncertainty quantification capabilities to improve the thermal performance of rib-turbulated inte

surrogate models uncertainty quantification thermal performance rib-turbulated internal cooling channels deeponet framework

发现论文，激发创造

深度神经运算符可作为准确的形状优化替代方法：以翼型为例的案例研究

本研究探索使用 DeepONets 方法推断未知气动翼型的流场并优化其形状，结果表明 DeepONets 非常适合生成未知形状的高准确度解决方案，可以在毫秒级时间内准确推断压强、密度和速度场等信息，为气动设计提供了极大的便利。

Feb, 2023

基于深度运算网络的代理建模的新数据生成方案

在本研究中，我们提出了一种新颖的方法来减轻 DeepONets 训练数据生成的计算负担，通过使用高斯过程回归 (GPR) 来生成输出场，然后利用有限差分技术计算输入源场，从而显著减少了与 DeepONet 的训练数据集生成相关的计算成本。该方法可以推广到其他操作学习方法，并适用于多种边界值问题，以验证这种方法。

Feb, 2024

深度操作网络在核系统数字孪生技术中的潜力

该研究介绍了 Deep Operator Network (DeepONet) 的应用，作为一个强大的代理建模方法，用于数字孪生系统，应用于核工程领域。DeepONet 展现了出色的预测准确性，优于传统机器学习方法。通过广泛的基准测试和评估，研究展示了 DeepONet 在解决复杂粒子传输问题方面的可伸缩性和计算效率。该研究对优化传感器布置和模型评估提出了挑战，这是实际实施中的关键问题。总的来说，DeepONet 为核工程研究和应用提供了一个有希望和具有变革性的工具，其准确的预测和高效的计算能力可以推动数字孪生系统的进一步发展，推进核工程研究，实现对关键工程领域的代理建模技术的有效利用。

Aug, 2023

基于贝叶斯深度卷积编码 - 解码网络的代理建模和不确定性量化

本文提出了一种使用卷积神经网络实现的关于具有随机偏微分方程的不确定性建模的代理模型，该方法使用变分梯度下降算法对参数进行 “近似贝叶斯推断”，可以在处理不确定性时实现和其他方法相比具有最先进的预测精度和不确定性量化，即使训练数据量相对较小，也能获得非常好的性能。

Jan, 2018

基于深度学习的代理模型在动态地下流问题中的数据同化

开发了基于深度学习的代理模型，用于预测渠道化地质模型中的动态地下水流。它通过深度卷积和递归神经网络结构来支持，特别是使用了长短时记忆循环网络。使用深度代理模型可以减少预测的不确定性，提高模型速度，可能在未来应用更正式的后验采样方法来解决现实问题。

Aug, 2019

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

使用深度神经操作符对气候模型进行学习偏差校正

该研究使用基于深度算子网络的代理模型替代了传统的偏差校正过程，通过结合卷积自动编码器 - 解码器结构来高效地学习更低维度的较高维度数据，以提高计算效率，进而将其应用于在线气候模拟中的偏差纠正模块，以提高气候模型的准确性和效率。

Feb, 2023

一个高级的受物理启发的神经算子用于高度非线性系统的全面设计优化：航空航天复合材料加工案例研究

该论文介绍了一种针对复杂系统和多输入函数的先进物理信息 DeepONet 模型，通过引入非线性解码器、课程学习和域分解等架构增强和有效训练策略，该模型在高维设计空间中具有显著提高的准确性，比基本物理信息 DeepONet 模型提升了两个数量级。它在广泛的设计空间中具有零样本预测能力，成为加速复合材料工艺设计和优化的强大工具，在其他工程领域具有强非线性特征的应用具有潜在的应用价值。

Jun, 2024

深度卷积编码器 - 解码器层次神经网络在共轭传热代理建模中的应用

该论文介绍了一种基于深度学习的代理建模方法，DeepEDH 方法，用于计算量大的共轭热传递模型，并通过建立计算模型和使用有限元法进行求解，对冷却板冷却的电池热管理系统中的压力、速度和温度场进行建模和预测，从而验证了 DeepEDH 方法的有效性。

Nov, 2023

Conformalized-DeepONet：深度操作器网络中的无分布框架不确定性量化

采用符合预测方法的分布自由不确定性量化框架，获得具有覆盖保证的深度操作网络回归的置信度预测区间，并通过将符合预测与 Prob-DeepONet 和 B-DeepONet 相结合，有效地量化不确定性，生成严谨的深度操作网络预测的置信度区间，同时设计一种新颖的 Quantile-DeepONet，允许更自然地使用符合预测，被称为符合预测的 Quantile-DeepONet 回归的无分布有效不确定性量化框架，并通过各种常规、偏微分方程数值示例和多保真度学习证明所提出方法的有效性。

Feb, 2024