An adaptive model hierarchy for data-augmented training of kernel models for reactive flow
Haasdonk B, Ohlberger M, Schindler F
Forschungsartikel in Sammelband (Konferenz) | Peer reviewedZusammenfassung
We consider machine-learning of time-dependent quantities of interest derived from solution trajectories of parabolic partial differential equations. For large-scale or long-time integration scenarios, where using a full order model (FOM) to generate sufficient training data is computationally prohibitive, we propose an adaptive hierarchy of intermediate Reduced Basis reduced order models (ROM) to augment the FOM training data by certified ROM training data required to fit a kernel model.
Details zur Publikation
Herausgeber*innen: Breitenecker, Felix; Kemmetmüller, Wolfgang; Körner, Andreas; Kugi, Andreas; Troch, Inge
Buchtitel: MATHMOD 2022 Discussion Contribution Volume (Band ARGESIM Report)
Seitenbereich: 67-68
Verlag: ARGESIM Verlag
Erscheinungsort: Vienna
Auflage: 17
Status: Veröffentlicht
Veröffentlichungsjahr: 2022
Sprache, in der die Publikation verfasst ist: Englisch
Konferenz: 10th Vienna Conference on Mathematical Modelling, Vienna, Österreich
ISBN: 978-3-901608-95-7
Link zum Volltext: https://arxiv.org/abs/2110.12388
Stichwörter: Model Order Reduction; Machine Learning; Parabolic PDEs
Autor*innen der Universität Münster
| Ohlberger, Mario | Professur für Angewandte Mathematik, insbesondere Numerik (Prof. Ohlberger) |
| Schindler, Felix Tobias | Professur für Angewandte Mathematik, insbesondere Numerik (Prof. Ohlberger) |
Projekte, aus denen die Publikation entstanden ist
Laufzeit: 01.04.2020 - 31.12.2023 Gefördert durch: Bundesministerium für Forschung, Technologie und Raumfahrt Art des Projekts: Beteiligung an einem bundesgeförderten Verbund | |
Laufzeit: 01.01.2019 - 31.12.2025 | 1. Förderperiode Gefördert durch: DFG - Exzellenzcluster Art des Projekts: Teilprojekt in DFG-Verbund koordiniert an der Universität Münster |