النمذجة البديلة متعددة الدقة القائمة على التعلم العميق لتوقع الموثوقية عالية الأبعاد

الملخص تقدم النمذجة البديلة متعددة الدقة نهجًا فعالًا من حيث التكلفة لتقليل التقييمات المكثفة لمحاكيات الفيزياء المكلفة لتوقع الموثوقية. ومع ذلك، فإن أخذ عدم اليقين المكاني في النمذجة البديلة متعددة الدقة لا يزال يمثل تحديًا كبيرًا بسبب لعنة الأبعاد. لمواجهة هذا التحدي، يقدم هذا البحث نهجًا قائمًا على التعلم العميق للنمذجة البديلة متعددة الدقة يدمج مجموعات بيانات متعددة الدقة لتحليل الموثوقية عالي الأبعاد للهياكل المعقدة. يتضمن ذلك أولاً نهج تحول الأبعاد غير المتجانسة لسد الفجوة من حيث تنسيق الإدخال بين مجالات الدقة المنخفضة والعالية. ثم يتم اقتراح شبكة تفسيرية للتقليل من الأبعاد (ConvDR) لتقليل أبعاد مشاكل موثوقية الهياكل بشكل فعال. للحصول على مساحة منخفضة الأبعاد ذات مغزى، يتم دمج آلية تنظيم خسارة تستند إلى الاستدلال المعرفي مع استراتيجية تطور مصفوفة التغاير (CMA-ES) لتشجيع نمط خطي غير متحيز في الفضاء الكامن لتوقع الموثوقية. بعد ذلك، يمكن الاستفادة من البيانات عالية الدقة لنمذجة التحيز باستخدام انحدار العمليات الغاوسية (GP). أخيرًا، يتم استخدام محاكاة مونت كارلو (MCS) لانتشار عدم اليقين المكاني عالي الأبعاد. تم استخدام مثالين هيكليين للتحقق من فعالية الطريقة المقترحة.