Global sensitivity analysis using polynomial chaos expansion enhanced Gaussian process regression method

Der Artikel diskutiert die Herausforderung der Rechenintensität in technischen Anwendungen und die Notwendigkeit effizienter Sensitivitätsanalysemethoden. Es stellt das Konzept der globalen Sensitivitätsanalyse (GSA) und verschiedene Methoden wie varianzbasierte Methode (VM), momentunabhängige Sensitivitätsanalyse (MISA) und derivative globale Sensitivitätsmessung (DGSM) vor. Der Schwerpunkt liegt auf dem Sobol-Index, der nach der zweifachen Monte-Carlo-Methode geschätzt wird. Das Surrogatmodell, insbesondere die Gaußsche Prozessregression (GPR) und die polynomische Chaos-Expansion (PCE), werden als effiziente Strategie für den Umgang mit rechenintensiven Modellen hervorgehoben. Das neuartige PCE enhanced GPR (PCEGPR) Surrogatmodell wird vorgestellt, das die Vorteile von PCE und GPR kombiniert, um die Genauigkeit und Effizienz der Sensitivitätsanalyse zu verbessern. Der Artikel enthält auch numerische Beispiele zur Validierung der Leistung der vorgeschlagenen PCEGPR-Methode. Die Ergebnisse zeigen, dass PCEGPR herkömmliche Methoden in Bezug auf Vorhersagegenauigkeit und Recheneffizienz übertrifft, was es zu einem wertvollen Werkzeug für die globale Sensitivitätsanalyse in komplexen Modellen macht.