[논문 리뷰] A weighted reduced basis method for parabolic PDEs with random data

Christopher Spannring, Sebastian Ullmann외 1명|arXiv (Cornell University)|2017. 12. 20.

Probabilistic and Robust Engineering Design참고 문헌 8인용 수 4

한 줄 요약

이 논문은 랜덤 입력을 가진 포아송형 PDE에 대해 가중치를 부여한 축소 기저 방법을 제안하며, 루트 평균 제곱 해 오차와 평균 절대 출력 오차에서 수렴 속도를 향상시키기 위해 가중치를 부여한 POD-greedy 알고리즘을 사용한다. 이 방법은 비가중치 축소 기저보다 우수한 성능를 보이며, 적절한 직교 분해(POD)의 최적 오차에 가까워지며, 매개변수화된 PDE에서의 불확실성 정량화에 있어 뛰어난 효율성을 보여준다.

ABSTRACT

This work considers a weighted POD-greedy method to estimate statistical outputs parabolic PDE problems with parametrized random data. The key idea of weighted reduced basis methods is to weight the parameter-dependent error estimate according to a probability measure in the set-up of the reduced space. The error of stochastic finite element solutions is usually measured in a root mean square sense regarding their dependence on the stochastic input parameters. An orthogonal projection of a snapshot set onto a corresponding POD basis defines an optimum reduced approximation in terms of a Monte Carlo discretization of the root mean square error. The errors of a weighted POD-greedy Galerkin solution are compared against an orthogonal projection of the underlying snapshots onto a POD basis for a numerical example involving thermal conduction. In particular, it is assessed whether a weighted POD-greedy solutions is able to come significantly closer to the optimum than a non-weighted equivalent. Additionally, the performance of a weighted POD-greedy Galerkin solution is considered with respect to the mean absolute error of an adjoint-corrected functional of the reduced solution.

연구 동기 및 목표

• 랜덤 입력 매개변수를 가진 포아송형 PDE에 대한 모델 차원 축소의 효율성을 향상시키기 위해.
• 기대값 및 출력 기능과 같은 통계적 출력을 추정하는 데 드는 계산 비용을 줄이기 위해.
• 오차 추정기의 가중치를 확률 측도에 따라 조정할 경우 수렴 속도 향상과 더 나은 근사 품질을 얻을 수 있는지 조사하기 위해.
• 가중치를 부여한 축소 기저 방법의 성능를 비가중치 축소 기저 및 POD 기반 축소 공간과 비교하기 위해.
• 이 방법이 루트 평균 제곱 해 오차와 평균 절대 출력 오차를 동시에 최소화하는 데 얼마나 효과적인지 평가하기 위해.

제안 방법

• 가중치를 부여한 POD-greedy 알고리즘이 랜덤 매개변수의 밀도 함수로부터 유도된 매개변수 가중 오차 추정기를 최소화하여 축소 기저를 구성한다.
• 이 방법은 포아송형 PDE의 약한 형태를 만족하는 축소 차원 해를 계산하기 위해 축소 기저 위에 갈레르킨 프로젝션을 적용한다.
• 주 문제와 쌍대 문제의 오차 추정기는 확률 밀도 함수에 의해 가중되며, 매개변수 영역에서 높은 가능성의 영역을 우선순위에 두도록 한다.
• 반복적으로 매개변수 샘플을 가중 오차 추정기 기반으로 선택하는 그레디 알고리즘을 사용하여 축소 기저를 구축한다.
• 스냅샷 데이터에 대한 적절한 직교 분해(POD)는 비교를 위한 최적의 축소 기저 공간을 제공한다.
• 기대값 계산과 해 및 출력 기능 근사의 오차 평가에 몬테카를로 샘플링을 사용한다.

실험 결과

연구 질문

• RQ1 가중치를 부여한 축소 기저 방법이 비가중치 접근 방식보다 루트 평균 제곱 해 오차의 수렴 속도를 더 빠르게 하는가?
• RQ2 가중치를 부여한 방법이 비가중치 방법보다 최적의 POD 근사에 더 가까운 축소 해를 생성할 수 있는가?
• RQ3 선형 출력 기능의 평균 절대 오차를 최소화하는 데 있어 가중치를 부여한 방법은 어떻게 성능을 발휘하는가?
• RQ4 오차 추정기를 확률 측도에 따라 가중할 경우 매개변수화된 포아송형 PDE에서 통계적 출력 근사에 얼마나 기여하는가?
• RQ5 표준 축소 기저 또는 POD 방법에 비해 가중치를 부여한 축소 기저 방법이 불확실성 정량화에서 더 효율적인가?

주요 결과

• 가중치를 부여한 POD-greedy 방법은 모든 축소 기저 차원에서 비가중치 POD-greedy 방법보다 유의미하게 낮은 루트 평균 제곱 해 오차를 달성한다.
• 가중치를 부여한 축소 기저 해는 비가중치 방법에 비해 평균 제곱 오차 기준으로 최적의 POD 해에 더 가까이 수렴한다.
• 평균 절대 출력 오차의 측면에서 가중치를 부여한 방법은 비가중치 방법을 항상 능가하며, 더 빠른 수렴 속도를 보인다.
• 가중치를 부여한 방법은 비가중치 방법보다 기대 해 오차를 더 효과적으로 줄이며, 최적의 POD 공간 수준의 오차에 가까워진다.
• 수치 결과는 오차 추정기를 확률 측도에 따라 가중할 경우 불확실성 정량화를 위한 더 효율적인 축소 기저 공간 구성이 가능하다는 것을 확인한다.
• 이 방법은 확률 측도를 그레디 선택 기준에 통합함으로써 매개변수화된 PDE에서 통계적 출력 근사의 정확도를 향상시킬 수 있음을 보여준다.