Обзор подходов машинного обучения к количественной оценке неопределенности инженерных систем
A survey on machine learning approaches for uncertainty quantification of engineering systems
2025-01-30
SCID: 54.1/9epjmp2u
Discuss with AI
гауссовская регрессия процессовинженерные системымашинное обучениефизически информированные нейронные сетиквантификация неопределенности
Figures from the paper
Abstract (AI)
Количественная оценка неопределенности (UQ) необходима для понимания и снижения воздействия широко распространенных неопределенностей в инженерных системах и играет ключевую роль в современной инженерной практике. По мере усложнения инженерных изделий и повышения требований к высокой точности результатов UQ возрастает потребность в эффективных методах количественной оценки неопределенности. В последнее время методы машинного обучения (ML), включая гауссовскую регрессию процессов, искусственные нейронные сети, физически информированные нейронные сети и многие другие, привлекают значительное внимание как в теоретических исследованиях, так и в практических приложениях. Исключительная способность методов ML решать чрезвычайно сложные задачи обеспечила им статус ведущих решений для задач количественной оценки неопределенности. В данной работе представлен comprehensive обзор последних достижений в области подходов к количественной оценке неопределенности с использованием ML, охватывающий методы ML для прямого и обратного анализа UQ, диагностики отказов, оценки отказоустойчивости и планирования управления. Подробно рассмотрены и обобщены наиболее известные и эффективные методы ML, включая физически информированные, физически ориентированные, физически усиленные, физически скорректированные и физически ограниченные подходы, а также передовые стратегии и методологические схемы. Кроме того, в статье обсуждаются проблемы, стоящие перед данной областью, и намечаются перспективные направления дальнейших исследований. Работа служит ценным ресурсом для исследователей и инженеров, стремящихся к углубленному пониманию современных подходов ML к решению задач UQ в инженерных системах.
Key Findings
1
Среди основных рассмотренных методов для инженерного количественного оценивания неопределённости выделяются гауссовская регрессия процессов, искусственные нейронные сети и физически информированные нейронные сети.
2
Методы машинного обучения приобретают всё большее значение для эффективного количественного оценивания неопределённости в усложняющихся инженерных системах.
3
Комплексно обобщаются стратегии интеграции физики, включая физически информированные, физически направляемые, физически усиленные, физически скорректированные и физически ограниченные подходы.
4
В обзоре рассматриваются ML-подходы для прямого и обратного количественного оценивания неопределённости, диагностики отказов, оценки устойчивости и планирования управления.
5
В обзоре определяются актуальные проблемы и предлагаются направления дальнейших исследований для развития количественного оценивания неопределённости на основе машинного обучения.
Research Object
инженерные системы
Research Subject
оценка неопределённости с использованием методов машинного обучения, включая прямой и обратный анализ, диагностику отказов, оценку устойчивости и планирование управления
Publication Details
Publication Date
2025-01-30
Journal
Publisher
ISSN
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest