Efficient Bayesian parameter identification

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21110%2F14%3A00218681" target="_blank" >RIV/68407700:21110/14:00218681 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Efficient Bayesian parameter identification

Popis výsledku v původním jazyce

Many important parameters influencing structural behaviour involve unacceptable uncertainties. An extensive development of efficient methods for stochastic modelling enabled reducing these uncertainties in input parameters. According to Bayes? rule, we obtain a more accurate description of the uncertain parameter involving an expert knowledge as well as experimental data. The aim of this contribution is to demonstrate two techniques for making the identification process more efficient and less time consuming. The first technique consists in replacement of the full numerical model by its polynomial approximation in order to reduce the computational effort. The particular approximation is based on polynomial chaos expansion constructed by linear regression based on Latin Hypercube Sampling. The obtained surrogate model is then used within Markov chain Monte Carlo sampling so as to update the uncertainty in the model inputs based on the experimental data. The second technique concerns a g

Název v anglickém jazyce

Efficient Bayesian parameter identification

Popis výsledku anglicky

Many important parameters influencing structural behaviour involve unacceptable uncertainties. An extensive development of efficient methods for stochastic modelling enabled reducing these uncertainties in input parameters. According to Bayes? rule, we obtain a more accurate description of the uncertain parameter involving an expert knowledge as well as experimental data. The aim of this contribution is to demonstrate two techniques for making the identification process more efficient and less time consuming. The first technique consists in replacement of the full numerical model by its polynomial approximation in order to reduce the computational effort. The particular approximation is based on polynomial chaos expansion constructed by linear regression based on Latin Hypercube Sampling. The obtained surrogate model is then used within Markov chain Monte Carlo sampling so as to update the uncertainty in the model inputs based on the experimental data. The second technique concerns a g

Druh

D - Stať ve sborníku

CEP obor

JM - Inženýrské stavitelství

OECD FORD obor

—

Projekt

<a href="/cs/project/GAP105%2F12%2F1146" target="_blank" >GAP105/12/1146: Metody paralelizace inženýrských úloh využívající cenově dostupné technologie</a><br>

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2014

Kód důvěrnosti údajů

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

Název statě ve sborníku

20 th International Conference Engineering Mechanics 2014

ISBN

978-80-214-4871-1

ISSN

1805-8248

e-ISSN

—

Počet stran výsledku

4

Strana od-do

264-267

Název nakladatele

Brno University of Technology

Místo vydání

Brno

Místo konání akce

Svratka

Datum konání akce

12. 5. 2014

Typ akce podle státní příslušnosti

EUR - Evropská akce

Kód UT WoS článku

—