Una estrategia basada en la descomposición propia generalizada para aplicaciones gobernadas por datos dinámicos - CNRS - Centre national de la recherche scientifique Accéder directement au contenu
Article Dans Une Revue Revista Internacional de Métodos Numéricos en Ingenieria Année : 2013

Proper Generalized Decomposition Based Dynamic Data-Driven Applications Systems

Una estrategia basada en la descomposición propia generalizada para aplicaciones gobernadas por datos dinámicos

Résumé

Dynamic Data Driven Application Systems (DDDAS) appear as a new paradigm in the field of applied sciences and engineering, and in particular in simulation-based engineering sciences. By DDDAS we mean a set of techniques that allow the linkage of simulation tools with measurement devices for real-time control of systems and processes. DDDAS entails the ability to dynamically incorporate additional data into an executing application, and in reverse, the ability of an application to dynamically steer the measurement process. DDDAS needs for accurate and fast simulation tools making use if possible of off-line computations for limiting as possible the on-line computations. We could define efficient solvers by introducing all the sources of variability as extra-coordinates in order to solve off-line only once the model to obtain its most general solution to be then considered in on-line purposes. However, such models result defined in highly multidimensional spaces suffering the so-called curse of dimensionality. We proposed recently a technique, the Proper Generalized Decomposition (PGD), able to circumvent the redoubtable curse of dimensionality. The marriage of DDDAS concepts and tools and PGD off-line computations could open unimaginable possibilities in the field of dynamics data-driven application systems. In this work we explore some possibilities in the context of parameter estimation.
Las aplicaciones gobernadas por datos dinámicos (DDDAS) pueden considerarse un nuevo paradigma en el campo de las ciencias aplicadas y la ingeniería, en particular en la denominada Ingeniería basada en simulación (Simulation-based Engineering Sciences). Se denomina DDDAS a un conjunto de técnicas que permiten la unión de herramientas de simulación con dispositivos de medida, de forma que se hace posible el control en tiempo real de procesos y sistemas. Las DDDAS permiten incorporar de forma dinámica datos adicionales en una aplicación en ejecución y, viceversa, permiten que una aplicación controle el proceso de medida. Las DDDAS exigen herramientas de simulación precisas y rápidas, haciendo uso en lo posible de procesos off-line para limitar el uso de procesos on-line. Para construir herramientas de simulación eficientes, en este trabajo se introducen todas las fuentes de variabilidad como coordenadas adicionales del modelo, de manera que este puede resolverse una única vez y calcular off-line todas las soluciones para cualquier valor de los mencionados parámetros. Esta estrategia necesita de la resolución de modelos definidos en espacios de un alto número de dimensiones, sometidos a lo que se conoce como la maldición de la dimensionalidad. Los autores han propuesto recientemente una técnica denominada descomposición propia generalizada (PGD), que permite evitar dicha «maldición». La yuxtaposición de las DDDAS y el uso de simulaciones PGD realizadas off-line abre posibilidades hasta ahora nunca exploradas en este campo. En el presente trabajo se exploran estas posibilidades en su aplicación a la estimación de parámetros.
Fichier principal
Vignette du fichier
MGCC (1).pdf (357.87 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-01007220 , version 1 (05-05-2017)

Licence

Paternité

Identifiants

Citer

Francoise Masson, David Gonzalez, Elías Cueto, Francisco Chinesta. Una estrategia basada en la descomposición propia generalizada para aplicaciones gobernadas por datos dinámicos. Revista Internacional de Métodos Numéricos en Ingenieria, 2013, 29 (2), pp.104-113. ⟨10.1016/j.rimni.2013.04.001⟩. ⟨hal-01007220⟩
180 Consultations
101 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More