Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Solving inverse problems in thermal engineering using a surrogate model
KTH, School of Engineering Sciences (SCI), Mathematics (Dept.), Optimization and Systems Theory.
2017 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Lösning av ett inversproblem inom termisk teknik med hjälp av en surrogatmodell (Swedish)
Abstract [en]

Through either measured or computed experimental data, inverse problems aim to determine parameters not straightforwardly given by measure. An inverse problem results in an optimization problem that requires many simulations of the direct problem which computations can be costly. One approach is to replace the reference model by a reduced model. A reduced model or surrogate is built by a statistical learning method (a theory on how to characterize the behaviour of a function based on observed data). In this case, uncertainties have a bigger effect on the problem and the errors introduced by the surrogate can significantly alter the convergence process. Furthermore, it is well known that the determination of input parameters via observed ones is an ill conditioned problem. As a result, the slightest measuring errors can engender tremendous gaps in the values of the reconstructed parameters, thus ruining their use. We can remedy that by adding a penalty in the optimization problem which would ensure a better stability during its resolution.

Identification problems are here solved using a surrogate model. The issues of this approach on the resolution of the reference model are evaluated. Other specific substitution models known to be less reliable but better suited to inverse problems due to a regularization expression are constructed.

Classical optimization methods including a penalty for the resolution of identification problems are implemented. The impact of the reliability of the surrogate model on the robustness and accuracy of the resolution is then carried out. In order to improve the surrogate model fidelity, sequential enrichment of the design of experiments is applied. Finally, the methodology is tested on a simplified thermal engineering example: the one dimensional heat conduction problem.

Abstract [sv]

Inversa problem syftar till att bestämma parametrar som inte ges direkt genom uppmätta eller beräknade experimentella data.

Ett omvänt problem resulterar i ett optimeringsproblem som kräver många simuleringar av det direkta problemet, vilkas beräkningar kan bli kostsamma.

Ett tillvägagångssätt är att ersätta referensmodellen med en reducerad modell. En reducerad modell, eller surrogat, är byggd av en statistisk lärande-metod.

I det här fallet så har osäkerheter en större effekt på problemet och felen som introduceras medelst ersättning (med surrogatet) kan signifikant ändra konvergensen för processen.

Vidare är bestämningen av inparametrar via de observerade ett illakonditionerat problem. Som ett resultat, kan de minsta mätfel ge upphov till stora hopp i värdena för de rekonstruerade parametrarna, och sålunda göra resultatet oanvändbart. Vi kan åtgärda det genom att lägga till ett straff i optimeringsproblemet som kan ge en bättre stabilitet under lösningsprocecessen.

Identifieringsproblemet löses här med hjälp av en surrogatmodell. Frågan om denna strategi påverkar lösningsprocessen av referensmodellen utvärderas. Andra specifika substitutions modeller, som är kända för att vara mindre tillförlitliga men bättre lämpade för inversa problem på grund av ett regulariseringsuttryck,  är konstruerade.

Traditionella optimeringsmetoder med en straffterm används för att lösa ett omvänt problem. Effekterna av tillförlitligheten av modellen med avseende på robusthet och noggrannhet för lösningsprocessen undersöks sedan. I syfte att förbättra ersättningsmodellens anpassning, används sekventiell anrikning av experimenten. Slutligen så testas metoden på ett förenklat värmeteknikexempel: ett endimensionellt värmeledningsproblem. 

Place, publisher, year, edition, pages
2017.
Series
TRITA-MAT-E ; 2017:02
National Category
Computational Mathematics
Identifiers
URN: urn:nbn:se:kth:diva-200915OAI: oai:DiVA.org:kth-200915DiVA, id: diva2:1074807
External cooperation
ONERA
Subject / course
Systems Engineering
Educational program
Master of Science in Engineering - Vehicle Engineering
Supervisors
Examiners
Available from: 2017-02-16 Created: 2017-02-16 Last updated: 2017-02-16Bibliographically approved

Open Access in DiVA

fulltext(5510 kB)224 downloads
File information
File name FULLTEXT01.pdfFile size 5510 kBChecksum SHA-512
f32eeaa31440aa886e32aa0811ecb263e7a1323a3e11112ace75bc039a214dfe3175783b37031c949f6d19a8f8813c6d51c569bb7e7eba540a52d28938d7076a
Type fulltextMimetype application/pdf

By organisation
Optimization and Systems Theory
Computational Mathematics

Search outside of DiVA

GoogleGoogle Scholar
Total: 224 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 163 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf