Groundwater flow meta-model for multilevel Monte Carlo methods

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F46747885%3A24220%2F21%3A00008996" target="_blank" >RIV/46747885:24220/21:00008996 - isvavai.cz</a>

Výsledek na webu

<a href="http://ceur-ws.org/Vol-2962/paper40.pdf" target="_blank" >http://ceur-ws.org/Vol-2962/paper40.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Groundwater flow meta-model for multilevel Monte Carlo methods

Popis výsledku v původním jazyce

The paper presents a meta-modeling-based technique to reduce the computational cost of Monte Carlo methods. A stochastic simulation of groundwater flow is substituted with a graph neural network meta-model. This type of neural network can deal with a non-euclidean structure of the input data, which in our case is a graph representing a random field on an unstructured mesh. In order to find the most suitable meta-model, a comparison of the standard support vector regression with spectral and spatial graph convolutional neural networks is provided. Both the Monte Carlo method and the multilevel Monte Carlo method are extended by the meta-model level. In both cases, up to 50% savings in computational cost are achieved while maintaining the accuracy of Monte Carlo estimates.

Název v anglickém jazyce

Groundwater flow meta-model for multilevel Monte Carlo methods

Popis výsledku anglicky

The paper presents a meta-modeling-based technique to reduce the computational cost of Monte Carlo methods. A stochastic simulation of groundwater flow is substituted with a graph neural network meta-model. This type of neural network can deal with a non-euclidean structure of the input data, which in our case is a graph representing a random field on an unstructured mesh. In order to find the most suitable meta-model, a comparison of the standard support vector regression with spectral and spatial graph convolutional neural networks is provided. Both the Monte Carlo method and the multilevel Monte Carlo method are extended by the meta-model level. In both cases, up to 50% savings in computational cost are achieved while maintaining the accuracy of Monte Carlo estimates.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10200 - Computer and information sciences

Projekt

—

Návaznosti

R - Projekt Ramcoveho programu EK

Rok uplatnění

2021

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

CEUR Workshop Proceedings

ISBN

—

ISSN

1613-0073

e-ISSN

—

Počet stran výsledku

10

Strana od-do

104-113

Název nakladatele

CEUR-WS

Místo vydání

—

Místo konání akce

virtual, online

Datum konání akce

1. 1. 2021

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—