Математическое и программное обеспечение для решения задачи анализа чувствительности по факторам таблично заданных математических моделей с использованием концепции ремоделирования
- Авторы: Сысоев А.С1, Мирошников А.И1, Сараев П.В1
- Учреждения:
- Липецкий государственный технический университет
- Выпуск: № 4 (2024)
- Страницы: 6-17
- Раздел: Статьи
- URL: https://ered.pstu.ru/index.php/amcs/article/view/4568
- DOI: https://doi.org/10.15593/2499-9873/2024.4.01
- Цитировать
Аннотация
Анализ чувствительности математических моделей предполагает большое количество подходов, среди которых выделяют локальные методы (исследование влияния фактора на отклик в случае его изолированного варьирования) и глобальные методы (предполагающие исследование одновременных изменений групп факторов). Классификацию методов также строят и на основе применяемых математических иструментов. Однако известные методы являются приближенными или допускают использования суррогатных моделей, аппроксимирующих исходную функцию, что является источником ошибки.Ранее авторами предложен аналитический метод анализа чувствительности по факторам математических моделей на основе анализа конечных изменений. В таком случае для исследования изменений отклика функции используют известную теорему Лагранжа о промежуточной точке. Однако в некоторых ситуациях процесс нахождения частных производных может быть вычислительно трудоемкой задачей, а в некоторых случаях функция задана таблично. В этом случае возможно применение численного дифференцирования с дальнейшим восстановлением аналитического представления функции. Для этого предлагается использовать подход математического ремоделирования и в качестве ремоделующего класса применять модели линейной регрессии с эффектами взаимодействия. Такое предположение естественно, так как моделирует наличие линейной связи между факторами модели.В работе приведен численный пример – анализ функции Розенброка, выполненный двумя способами: аналитическим методом и с применением ремоделирования для восстановления частных производных. Результаты показывают высокое качество полученных оценок чувствительности, что свидетельствует о состоятельности подхода ремоделирования в таких задачах. Перспективными аспектами представленного подхода являются: применение более широкого набора классов ремоделирующих моделей (полносвязные нейронные сети, аппроксимирующие многочлены) и оптимальный выбор шага численного дифференцирования.
Полный текст
1Об авторах
А. С Сысоев
Липецкий государственный технический университет
А. И Мирошников
Липецкий государственный технический университет
П. В Сараев
Липецкий государственный технический университет
Список литературы
- Sensitivity Analysis in Practice: A Guide to Assessing Scientific Models / A. Saltelli, S. Tarantola, F. Campolongo, M. Ratto. – Hoboken, John Wiley & Sons Ltd., 2004 – 232 p.
- Global Sensitivity Analysis: The Primer / A. Saltelli, M. Ratto, T. Andres, F. Campolongo, J. Cariboni, D. Gatelli, M. Saisana, S. Tarantola. – John Wiley & Sons: Chichester, UK, 2008. – 305 p.
- Sobol, I.M. Global sensitivity indices for nonlinear mathematical models and their Monte Carlo estimates / I.M. Sobol // Math. Comput. Simul. – 2001. – Vol. 55. – P. 271–280.
- Lamboni, M. Multivariate sensitivity analysis and derivative-based global sensitivity measures with dependent variables / M. Lamboni, S. Kucherenko // Reliab. Eng. Syst. Saf. – 2021. – Vol. 212. – P. 107519.
- Borgonovo, E. Model emulation and moment-independent sensitivity analysis: An application to environmental modelling / E. Borgonovo, W. Castaings, S. Tarantola // Environ. Model. Softw. – 2012. – Vol. 34. – P. 105–115.
- Rana, S. An efficient assisted history matching and uncertainty quantification workflow using Gaussian processes proxy models and variogram based sensitivity analysis: GP-VARS / S. Rana, T. Ertekin, G.R. King // Comput. Geosci. – 2018. – Vol. 114. – P. 73–83.
- Pujol, G. Simplex-based screening designs for estimating metamodels / G. Pujol // Reliab. Eng. Syst. Saf. – 2009. – Vol. 94. – P. 1156–1160.
- Hamby, D.M. A comparison of sensitivity analysis techniques / D. M. Hamby // Health Phys. – 1995. – Vol. 68. – P. 195–204.
- Box, G.E. An analysis for unreplicated fractional factorials / G. E. Box, R. D. Meyer // Technometrics. – 1986. – Vol. 28. – P. 11–18.
- Dean, A. Screening: Methods for Experimentation in Industry, Drug Discovery, and Genetics / A. Dean, S. Lewis. – Springer Science & Business Media: Berlin/Heidelberg, Germany, 2006. – 234 p.
- Kurowicka, D. Uncertainty analysis with high dimensional dependence modeling / D. Kurowicka, D.M. Cooke. – John Wiley & Sons. – 2006. – 304 p.
- Christensen, R. Linear models for multivariate, time series, and spatial data / R. Christensen. – New York: Springer-Verlag, 1991. – Vol. 1. – P. 354–355.
- Cacuci, D.G. Sensitivity and uncertainty analysis, volume II: applications to large-scale systems / D.G. Cacuci, M. Ionescu-Bujor, I.M. Navon. – CRC press, 2005. – 368 p.
- Sobol, I.M. On sensitivity estimation for nonlinear mathematical models / I.M. Sobol // Matematicheskoe modelirovanie, 1990. – Vol. 2, iss. 1. – P. 112–118.
- Efron, B. The jacknife estimate of variance / B. Efron, C. Stein // Ann. Stat. – 1981. – Vol. 9. – P. 586–596.
- Блюмин, С.Л. Экономический факторный анализ: Монография / С.Л. Блюмин, В.Ф. Суханов, С.В. Чеботарев. – Липецк: ЛЭГИ, 2004. – 148 с.
- Analysis of finite fluctuations for solving big data management problems / S.L. Blyumin, G.S. Borovkova, K.V. Serova, A.S. Sysoev // 2015 9th International Conference on Application of Information and Communication Technologies (AICT). – IEEE, 2015. – P. 48–51. doi: 10.1109/ICAICT.2015.7338514
- Sensitivity analysis of neural network models: Applying methods of analysis of finite fluctuations / A. Sysoev, A. Ciurlia, R. Sheglevatych, S. Blyumin // Periodica polytechnica Electrical engineering and computer science. – 2019. – Vol. 63(4). – P. 306–311.
- Применение несимметричного ортогонального планирования при исследовании процессов прокатки / С.Л. Блюмин, В.Г. Барышев, С.Л. Коцарь, Б.А. Поляков // Применение ЭВМ в металлургии: I Всесоюзн. науч.-техн. конф. – М.: МИСиС, 1973. – С. 118–119.
- Surrogate Modeling of Buckling Analysis in Support of Composite Structure Optimization / S. Grihon, S. Alestra, E. Burnaev, P. Prikhodko // 1st International Conference on Composite Dynamics, Arcachon, France, 2012.
- Zhao, D. A multi-surrogate approximation method for metamodeling / D. Zhao, D. Xue // Engineering with Computers, 2011. – Vol. 27(2).
- Co-simulation: State of the Art. [arXiv:1702.00686] / C. Gomes, C. Thule, D. Broman, P. Larsen, H. Vangheluwe. – 2017.
- Benureau, F. Re-run, Repeat, Reproduce, Reuse, Replicate: Transforming Code into Scientific Contributions. [arXiv:1708.08205] / F. Benureau, N. Rougier. – 2017.
Статистика
Просмотры
Аннотация - 79
PDF (Russian) - 62
Ссылки
- Ссылки не определены.
