Berkcan Kapusuzoğlu
PulseAugur coverage of Berkcan Kapusuzoğlu — every cluster mentioning Berkcan Kapusuzoğlu across labs, papers, and developer communities, ranked by signal.
-
新的贝叶斯校准方法融合异构数据用于动态系统
本文介绍了一种新颖的多层次贝叶斯校准方法，旨在融合来自各种来源的信息，并考虑动态多组分系统中的不确定性。该方法在组件和系统级别量化不确定性，从而实现修正的模型预测。它通过迭代策略顺序处理异构数据，适用于离线和实时在线校准场景。该方法论的有效性通过燃气轮机发动机转子叶片的 termo-mechanical 行为分析得到证明。
-
新的AI方法在不确定性下优化3D打印质量 · 跟踪3个来源
研究人员开发了优化熔丝制造（FFF）过程的新方法，重点是在不确定性下提高零件质量。一种方法使用贝叶斯神经网络来预测几何精度和丝材结合质量，结合模型和输入不确定性来优化喷嘴温度和速度等参数。另一篇论文提出了一个计算框架，将传热分析与烧结模型相结合，以最大化丝材结合质量，使用Sobol指数进行敏感性分析，并使用高斯过程来管理模型差异。第三项研究探讨了物理信息和混合机器学习策略，将物理知识整合到深度神经网络中，即使在实验数据有限的情况下也能…
-
新的自适应代理建模方法处理高维时空数据
研究人员开发了一种新的自适应代理建模方法，旨在处理具有极高维时空输出的问题。该方法首先将输出数据的维度降低到低维潜在空间，然后再构建代理模型。该方法随后自适应地识别新的训练点，以最少的昂贵物理模型调用来提高模型的准确性，并通过燃气轮机叶片的 termo-mechanical 分析证明了其有效性。
-
新的机器学习方法融合物理学和数据以改进敏感性分析
研究人员开发了新的物理信息机器学习策略，通过有效地结合基于物理的模型和实验数据来改进全局敏感性分析（GSA）。该研究探讨了两种机器学习技术：深度神经网络（DNN）和高斯过程（GP）建模，以及两种整合物理知识的方法：在损失函数中强制执行物理约束，以及使用模拟数据进行预训练，然后使用实验数据进行更新。结果表明，与GP模型相比，基于DNN的模型在敏感性估计上提供了更小的界限，并在增材制造和湖泊温度建模中展示了应用。