Uncertainty Quantification Through Bayesian Nonparametric Modelling

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21110%2F20%3A00345811" target="_blank" >RIV/68407700:21110/20:00345811 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Uncertainty Quantification Through Bayesian Nonparametric Modelling

Popis výsledku v původním jazyce

Recently there is an increasing endeavour to take into account the underlying uncertainties by stochastic modelling in order to make the numerical predictions as realistic as possible. Uncertainty quantification deals with distinct sources of nondeterminism. A lack of knowledge is expressed by epistemic uncertainties while aleatory uncertainties formulate an inherent randomness. In the case of estimating aleatory uncertainty, the task is to infer unknown but fixed probability density function and the corresponding epistemic uncertainty about this estimation. In order to avoid too strict assumptions about the unknown density function (e.g. prescription of a specific parameterised family of probability density functions), it can be modelled hierarchically by a stochastic process via the Bayesian nonparametric approach. The contribution presents application of a Dirichlet process mixture in modelling the aleatory uncertainty.

Název v anglickém jazyce

Uncertainty Quantification Through Bayesian Nonparametric Modelling

Popis výsledku anglicky

Recently there is an increasing endeavour to take into account the underlying uncertainties by stochastic modelling in order to make the numerical predictions as realistic as possible. Uncertainty quantification deals with distinct sources of nondeterminism. A lack of knowledge is expressed by epistemic uncertainties while aleatory uncertainties formulate an inherent randomness. In the case of estimating aleatory uncertainty, the task is to infer unknown but fixed probability density function and the corresponding epistemic uncertainty about this estimation. In order to avoid too strict assumptions about the unknown density function (e.g. prescription of a specific parameterised family of probability density functions), it can be modelled hierarchically by a stochastic process via the Bayesian nonparametric approach. The contribution presents application of a Dirichlet process mixture in modelling the aleatory uncertainty.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20101 - Civil engineering

Projekt

<a href="/cs/project/GA18-04262S" target="_blank" >GA18-04262S: Pravděpodobnostní identifikace materiálových transportních parametrů založená na neinvazivních experimentálních měřeních</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2020

Kód důvěrnosti údajů

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

Název statě ve sborníku

Engineering Mechanics 2020: Book of full texts

ISBN

978-80-214-5896-3

ISSN

1805-8248

e-ISSN

—

Počet stran výsledku

4

Strana od-do

274-277

Název nakladatele

Institute of Thermomechanics, AS CR, v.v.i.

Místo vydání

Prague

Místo konání akce

Brno

Datum konání akce

24. 11. 2020

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—