Buisson-Fenet, Mona
[Verfasser:in]
;
Université Paris sciences et lettres
[Mitwirkende:r];
Di Meglio, Florent
[Mitwirkende:r];
Trimpe, Sebastian
[Mitwirkende:r]
Experimental data assimilation : learning-based estimation for state-space models ; Assimilation de données expérimentales : estimation à base d'apprentissage pour modèles sous forme d'état
Titel:
Experimental data assimilation : learning-based estimation for state-space models ; Assimilation de données expérimentales : estimation à base d'apprentissage pour modèles sous forme d'état
Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
La modélisation et la simulation numérique de processus complexes sont aujourd'hui des éléments essentiels du développement industriel. De par la récente augmentation des capacités de génération, de collecte et de traitement des données, les méthodes basées sur l'apprentissage apparaissent aujourd'hui comme un complément prometteur à la modélisation physique. Unir ces deux points de vue permettrait notamment de créer des jumeaux digitaux : des reproductions numériques exactes d'objets physiques combinant un modèle de simulation haute-fidélité et des données expérimentales recueillies sur le système réel.Cependant, les données disponibles sur les plateformes physiques sont généralement bruitées et tous les états ne peuvent pas être mesurés. Notre objectif est d'extraire des informations de ces données expérimentales sur le modèle sous forme d'état sous-jacent. D'une part, si le système doit être identifié à partir des données, cette information peut prendre la forme d'un modèle dynamique. En raison de la nature partielle des observations, il est nécessaire d'estimer conjointement l'état sous-jacent et sa dynamique. Nous exploitons des concepts d'estimation d'état dans des méthodes modernes d'apprentissage de la dynamique pour réaliser l'identification du système à partir de ces observations, d'abord pour une forme spécifique de systèmes permettant des garanties théoriques, puis dans un cadre plus général. D'autre part, ces informations peuvent porter sur l'estimation d'état elle-même. Nous proposons d'analyser l'observabilité à partir des données de sortie en utilisant des outils statistiques. Nous tirons ensuite parti des techniques modernes d'apprentissage pour construire des observateurs numériques pour les systèmes non linéaires. ; Numerical simulation and modeling of complex processes is a critical part of industrial development. With the recent increase in data generation, collection and processing capabilities, learning-based methods appear as a promising addition to physics-based modeling. Uniting both ...