Login
- Originaltitel:
- Model Order Reduction of Parametrized Systems with Sparse Grid Learning Techniques
- Übersetzter Titel:
- Modellreduktion von parameter-abhängigen Systemen mit Dünngitter-basierten Lernmethoden
- Autor:
- Peherstorfer, Benjamin
- Jahr:
- 2013
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- Fakultät für Informatik
- Betreuer:
- Bungartz, Hans-Joachim (Prof. Dr.)
- Gutachter:
- Bungartz, Hans-Joachim (Prof. Dr.); Willcox, Karen (Prof., Ph.D.)
- Sprache:
- en
- Fachgebiet:
- DAT Datenverarbeitung, Informatik
- Schlagworte (SWD):
- Parametrisiertes System; Dünnes Gitter; Maschinelles Lernen
- TU-Systematik:
- DAT 780d; DAT 708d
- Kurzfassung:
- 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.
- Übersetzte Kurzfassung:
- 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
- Eingereicht am:
- 25.06.2013
- Mündliche Prüfung:
- 18.09.2013
- Dateigröße:
- 31920560 bytes
- Seiten:
- 189
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20130918-1163421-0-8
- Letzte Änderung:
- 25.02.2014
BibTeX