BERRU Predictive Modeling / Cacuci, Dan Gabriel  

Público ISBD Ningún comentario para este registro. Título : BERRU Predictive Modeling : Best Estimate Results with Reduced Uncertainties Tipo de documento: documento electrónico Autores: Cacuci, Dan Gabriel, Mención de edición: 1 ed. Editorial: Berlin [Alemania] : Springer Fecha de publicación: 2019 Número de páginas: XIV, 451 p. 1 ilustraciones ISBN/ISSN/DL: 978-3-662-58395-1 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Matemáticas de ingeniería  Simulación por ordenador  Modelos matemáticos  Sistemas de seguridad  Modelado por computadora  Modelización Matemática y Matemática Industrial  Ciencia y tecnología de seguridad Clasificación: 620.00151 Resumen: Este libro aborda la calibración experimental de modelos de simulación numérica de mejor estimación. Los resultados de las mediciones y los cálculos nunca son exactos. Por lo tanto, conocer sólo los valores nominales de cantidades medidas o calculadas experimentalmente es insuficiente para las aplicaciones, particularmente porque los respectivos valores nominales experimentales y calculados rara vez coinciden. En opinión del autor, el objetivo del modelado predictivo es extraer valores de "mejor estimación" para los parámetros del modelo y los resultados previstos, junto con las incertidumbres de la "mejor estimación" para estos parámetros y resultados. Para lograr este objetivo, el modelado predictivo combina datos experimentales y computacionales conocidos de manera imprecisa, lo que requiere razonamiento sobre la base de información incompleta, rica en errores y ocasionalmente discrepante. Los métodos habituales utilizados para la asimilación de datos combinan información experimental y computacional minimizando un "costo funcional" elegido a priori por el usuario (generalmente un funcional cuadrático que representa los errores ponderados entre las respuestas medidas y calculadas). En contraste con estos métodos influenciados por el usuario, la metodología de modelado predictivo BERRU (Best Estimate Results with Reduced Uncertainties) desarrollada por el autor se basa en el principio de máxima entropía basado en la termodinámica para eliminar la necesidad de confiar en minimizar las funciones elegidas por el usuario, generalizando así los procedimientos de "ajuste de datos" y/o de asimilación de datos "4D-VAR" utilizados en las ciencias geofísicas. La metodología de modelado predictivo de BERRU también proporciona una "métrica de validación del modelo" que cuantifica la coherencia (acuerdo/desacuerdo) entre mediciones y cálculos. Esta "métrica de validación del modelo" (o "indicador de coherencia") se construye a partir de matrices de covarianza de parámetros, matrices de covarianza de respuesta (medidas y calculadas) y sensibilidades de respuesta a los parámetros del modelo. Los métodos tradicionales para calcular las sensibilidades de respuesta se ven obstaculizados por la "maldición de la dimensionalidad", lo que los hace poco prácticos para aplicaciones en sistemas a gran escala que involucran muchos parámetros conocidos de manera imprecisa. Es primordial reducir el esfuerzo computacional requerido para calcular con precisión las sensibilidades de respuesta, y la metodología integral de análisis de sensibilidad adjunto desarrollada por el autor es muy prometedora en este sentido, como se muestra en este libro. Después de descartar los datos inconsistentes (si los hay) usando el indicador de consistencia, la metodología de modelado predictivo de BERRU proporciona los mejores valores de estimación para los parámetros y respuestas pronosticados junto con las incertidumbres reducidas de la mejor estimación (es decir, desviaciones estándar predichas más pequeñas) para las cantidades predichas. La aplicación de la metodología BERRU produce herramientas de modelado predictivo de "mejor estimación" óptimas, validadas experimentalmente, para diseñar nuevas tecnologías e instalaciones, al mismo tiempo que se mejoran las existentes. . Nota de contenido: Basics of predictive best-estimate model calibration -- Predictive best-estimate model-validation, model-calibration and model-verification concerning open and chaotic systems -- Differences to traditional statostic evaluation methods -- Examples. Tipo de medio : Computadora Summary : This book addresses the experimental calibration of best-estimate numerical simulation models. The results of measurements and computations are never exact. Therefore, knowing only the nominal values of experimentally measured or computed quantities is insufficient for applications, particularly since the respective experimental and computed nominal values seldom coincide. In the author's view, the objective of predictive modeling is to extract "best estimate" values for model parameters and predicted results, together with "best estimate" uncertainties for these parameters and results. To achieve this goal, predictive modeling combines imprecisely known experimental and computational data, which calls for reasoning on the basis of incomplete, error-rich, and occasionally discrepant information. The customary methods used for data assimilation combine experimental and computational information by minimizing an a priori, user-chosen, "cost functional" (usually a quadratic functional that represents the weighted errors between measured and computed responses). In contrast to these user-influenced methods, the BERRU (Best Estimate Results with Reduced Uncertainties) Predictive Modeling methodology developed by the author relies on the thermodynamics-based maximum entropy principle to eliminate the need for relying on minimizing user-chosen functionals, thus generalizing the "data adjustment" and/or the "4D-VAR" data assimilation procedures used in the geophysical sciences. The BERRU predictive modeling methodology also provides a "model validation metric" which quantifies the consistency (agreement/disagreement) between measurements and computations. This "model validation metric" (or "consistency indicator") is constructed from parameter covariance matrices, response covariance matrices (measured and computed), and response sensitivities to model parameters. Traditional methods for computing response sensitivities are hampered by the "curse of dimensionality," which makes them impractical for applications to large-scale systems that involve many imprecisely known parameters. Reducing the computational effort required for precisely calculating the response sensitivities is paramount, and the comprehensive adjoint sensitivity analysis methodology developed by the author shows great promise in this regard, as shown in this book. After discarding inconsistent data (if any) using the consistency indicator, the BERRU predictive modeling methodology provides best-estimate values for predicted parameters and responses along with best-estimate reduced uncertainties (i.e., smaller predicted standard deviations) for the predicted quantities. Applying the BERRU methodology yields optimal, experimentally validated, "best estimate" predictive modeling tools for designing new technologies and facilities, while also improving on existing ones. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] BERRU Predictive Modeling : Best Estimate Results with Reduced Uncertainties [documento electrónico] / Cacuci, Dan Gabriel,  . -  1 ed.  . - Berlin [Alemania] : Springer, 2019 . - XIV, 451 p. 1 ilustraciones. ISBN : 978-3-662-58395-1 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Matemáticas de ingeniería  Simulación por ordenador  Modelos matemáticos  Sistemas de seguridad  Modelado por computadora  Modelización Matemática y Matemática Industrial  Ciencia y tecnología de seguridad Clasificación: 620.00151 Resumen: Este libro aborda la calibración experimental de modelos de simulación numérica de mejor estimación. Los resultados de las mediciones y los cálculos nunca son exactos. Por lo tanto, conocer sólo los valores nominales de cantidades medidas o calculadas experimentalmente es insuficiente para las aplicaciones, particularmente porque los respectivos valores nominales experimentales y calculados rara vez coinciden. En opinión del autor, el objetivo del modelado predictivo es extraer valores de "mejor estimación" para los parámetros del modelo y los resultados previstos, junto con las incertidumbres de la "mejor estimación" para estos parámetros y resultados. Para lograr este objetivo, el modelado predictivo combina datos experimentales y computacionales conocidos de manera imprecisa, lo que requiere razonamiento sobre la base de información incompleta, rica en errores y ocasionalmente discrepante. Los métodos habituales utilizados para la asimilación de datos combinan información experimental y computacional minimizando un "costo funcional" elegido a priori por el usuario (generalmente un funcional cuadrático que representa los errores ponderados entre las respuestas medidas y calculadas). En contraste con estos métodos influenciados por el usuario, la metodología de modelado predictivo BERRU (Best Estimate Results with Reduced Uncertainties) desarrollada por el autor se basa en el principio de máxima entropía basado en la termodinámica para eliminar la necesidad de confiar en minimizar las funciones elegidas por el usuario, generalizando así los procedimientos de "ajuste de datos" y/o de asimilación de datos "4D-VAR" utilizados en las ciencias geofísicas. La metodología de modelado predictivo de BERRU también proporciona una "métrica de validación del modelo" que cuantifica la coherencia (acuerdo/desacuerdo) entre mediciones y cálculos. Esta "métrica de validación del modelo" (o "indicador de coherencia") se construye a partir de matrices de covarianza de parámetros, matrices de covarianza de respuesta (medidas y calculadas) y sensibilidades de respuesta a los parámetros del modelo. Los métodos tradicionales para calcular las sensibilidades de respuesta se ven obstaculizados por la "maldición de la dimensionalidad", lo que los hace poco prácticos para aplicaciones en sistemas a gran escala que involucran muchos parámetros conocidos de manera imprecisa. Es primordial reducir el esfuerzo computacional requerido para calcular con precisión las sensibilidades de respuesta, y la metodología integral de análisis de sensibilidad adjunto desarrollada por el autor es muy prometedora en este sentido, como se muestra en este libro. Después de descartar los datos inconsistentes (si los hay) usando el indicador de consistencia, la metodología de modelado predictivo de BERRU proporciona los mejores valores de estimación para los parámetros y respuestas pronosticados junto con las incertidumbres reducidas de la mejor estimación (es decir, desviaciones estándar predichas más pequeñas) para las cantidades predichas. La aplicación de la metodología BERRU produce herramientas de modelado predictivo de "mejor estimación" óptimas, validadas experimentalmente, para diseñar nuevas tecnologías e instalaciones, al mismo tiempo que se mejoran las existentes. . Nota de contenido: Basics of predictive best-estimate model calibration -- Predictive best-estimate model-validation, model-calibration and model-verification concerning open and chaotic systems -- Differences to traditional statostic evaluation methods -- Examples. Tipo de medio : Computadora Summary : This book addresses the experimental calibration of best-estimate numerical simulation models. The results of measurements and computations are never exact. Therefore, knowing only the nominal values of experimentally measured or computed quantities is insufficient for applications, particularly since the respective experimental and computed nominal values seldom coincide. In the author's view, the objective of predictive modeling is to extract "best estimate" values for model parameters and predicted results, together with "best estimate" uncertainties for these parameters and results. To achieve this goal, predictive modeling combines imprecisely known experimental and computational data, which calls for reasoning on the basis of incomplete, error-rich, and occasionally discrepant information. The customary methods used for data assimilation combine experimental and computational information by minimizing an a priori, user-chosen, "cost functional" (usually a quadratic functional that represents the weighted errors between measured and computed responses). In contrast to these user-influenced methods, the BERRU (Best Estimate Results with Reduced Uncertainties) Predictive Modeling methodology developed by the author relies on the thermodynamics-based maximum entropy principle to eliminate the need for relying on minimizing user-chosen functionals, thus generalizing the "data adjustment" and/or the "4D-VAR" data assimilation procedures used in the geophysical sciences. The BERRU predictive modeling methodology also provides a "model validation metric" which quantifies the consistency (agreement/disagreement) between measurements and computations. This "model validation metric" (or "consistency indicator") is constructed from parameter covariance matrices, response covariance matrices (measured and computed), and response sensitivities to model parameters. Traditional methods for computing response sensitivities are hampered by the "curse of dimensionality," which makes them impractical for applications to large-scale systems that involve many imprecisely known parameters. Reducing the computational effort required for precisely calculating the response sensitivities is paramount, and the comprehensive adjoint sensitivity analysis methodology developed by the author shows great promise in this regard, as shown in this book. After discarding inconsistent data (if any) using the consistency indicator, the BERRU predictive modeling methodology provides best-estimate values for predicted parameters and responses along with best-estimate reduced uncertainties (i.e., smaller predicted standard deviations) for the predicted quantities. Applying the BERRU methodology yields optimal, experimentally validated, "best estimate" predictive modeling tools for designing new technologies and facilities, while also improving on existing ones. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

---

1 (1 - 1 / 1) Ver por página : 25 50 100 200