User: Guest  Login
Original title:
Model Order Reduction of Parametrized Systems with Sparse Grid Learning Techniques
Translated title:
Modellreduktion von parameter-abhängigen Systemen mit Dünngitter-basierten Lernmethoden
Author:
Peherstorfer, Benjamin
Year:
2013
Document type:
Dissertation
Faculty/School:
Fakultät für Informatik
Advisor:
Bungartz, Hans-Joachim (Prof. Dr.)
Referee:
Bungartz, Hans-Joachim (Prof. Dr.); Willcox, Karen (Prof., Ph.D.)
Language:
en
Subject group:
DAT Datenverarbeitung, Informatik
Controlled terms:
Parametrisiertes System; Dünnes Gitter; Maschinelles Lernen
TUM classification:
DAT 780d; DAT 708d
Abstract:
In computational science and engineering, model reduction methods construct low-cost surrogates of large-scale simulations by learning from data. We tackle the underlying learning task with novel sparse-grid-based techniques. Therefore, we introduce the first sparse grid clustering method, and an Offline/Online strategy to solve classification problems up to 300 times faster than before. Our methods are demonstrated on thermal conduction, car crash, and chemical reaction simulations.
Translated abstract:
Modellreduktion erstellt kostengünstige Approximationen von rechenaufwändigen Simulationen, indem von vorhandenen Daten gelernt wird. Wir verwenden Dünne Gitter für diese Lernaufgaben. Dazu stellen wir die erste Clustering-Methode basierend auf Dünnen Gittern vor und zeigen, wie man mit einer Offline/Online-Aufspaltung Klassifikationsprobleme bis zu 300 Mal schneller lösen kann, als dies zuvor möglich war. Diese Methoden setzen wir für Wärmeleitungs-, Crashtest-, und Reaktionssimulationen ein.
WWW:
https://mediatum.ub.tum.de/?id=1163421
Date of submission:
25.06.2013
Oral examination:
18.09.2013
File size:
31920560 bytes
Pages:
189
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20130918-1163421-0-8
Last change:
25.02.2014
 BibTeX