Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Non-intrusive Model Order Reduction based on Joint Space Sampling and Active Learning
Übersetzter Titel:
Non-intrusive Model Order Reduction basierend auf Joint Space Sampling und Aktiven Lernens
Autor:
Zhuang, Qinyu
Jahr:
2022
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Betreuer:
Bungartz, Hans-Joachim (Prof. Dr.)
Gutachter:
Bungartz, Hans-Joachim (Prof. Dr.); Peherstorfer, Benjamin (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
MAT 650; DAT 780
Kurzfassung:
Non-intrusive Model Order Reduction (MOR) is highly demanded by industry. Machine-Learning-based MOR (ML-based MOR) is an important member of non-intrusive MOR. To improve the quality of ML-based Reduced Order Models, we propose a novel method based on Joint Space Sampling and Active Learning. The method can provide high quality training data and reduce the amount of training data required by ML-based MOR.
Übersetzte Kurzfassung:
Non-intrusive Model Order Reduction (MOR) wird von der Industrie stark nachgefragt. Machine-Learning-based MOR (ML-based MOR) ist ein wichtiger Bestandteil von non-intrusive MOR. Um die Qualität von ML-based Reduced Order Models zu verbessern, schlagen wir eine neuartige Methode vor, die auf Joint Space Sampling und Active Learning basiert. Das Verfahren kann qualitativ hochwertige Trainingsdaten bereitstellen und die Menge an Trainingsdaten reduzieren, die von ML-based MOR benötigt werden.
WWW:
https://mediatum.ub.tum.de/?id=1686070
Eingereicht am:
29.08.2022
Mündliche Prüfung:
19.12.2022
Dateigröße:
7077692 bytes
Seiten:
171
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20221219-1686070-1-1
Letzte Änderung:
30.12.2022
 BibTeX