XiaoMi-AI文件搜索系统
World File Search SystemKriging
归纳时空的临时性克里格，具有物理学引导的增量训练策略
摘要 - 用于空气质量的传感器的部署受到高成本的限制，导致网络覆盖不足和某些领域的数据缺陷。利用现有的观察结果，时空kriging是一种在特定时期估算未观察到位置空气质量的方法。具有增量训练策略的归纳时空kriging已证明了其使用虚拟节点模拟未观察到的节点的有效性。但是，虚拟节点和真实节点之间的差异仍然存在，这使从虚拟节点到实际未观察到的学习模式的应用变得复杂。To address these limitations, this paper presents a Physics- Guided Increment Training Strategy (PGITS).具体来说，我们设计了一个动态图生成模块，以将空气颗粒作为物理知识的对流和扩散过程纳入图形结构，并动态调整邻接矩阵以反映节点之间的物理相互作用。通过将物理原理用作虚拟节点和真实节点之间的桥梁，该策略可确保虚拟节点及其伪标签的特征更接近实际节点。Consequently, the learned patterns of virtual nodes can be applied to actual unobserved nodes for effective kriging.Index Terms —Air quality inference, sensors, inductive spatio- temporal kriging, physics principles, increment training strategy
定量Kriging邻里分析（QKNA）
各种研究人员都仔细检查了Kriging的线性估计方面，以及每个块估计值的性能。为了评估Kriging绩效，采用了一组指标，称为定量Kriging邻里分析（QKNA）。QKNA包括Kriging方差（KV），Kriging效率（KE），统计效率（SE），回归的斜率（SR），负重量（NW）的幅度（NW）以及对平均值（WM）的简单krig重量。考虑可用数据，变量图和块几何形状，计算了块模型中每个块的计算，并量化Kriging性能。本课程回顾了QKNA的措施，讨论了应如何应用它们，并显示了一个小的实际例子。此外，它揭示了为什么QKNA不支持块大小或搜索半径的选择。
基于 PCA 和 Kriging 的降阶模型在反应流应用数字孪生开发中的应用
详细燃烧系统的详细数值模拟需要大量的计算资源，这限制了它们在优化和不确定性量化研究中的使用。从有限数量的 CFD 模拟开始，可以使用一些详细的函数评估得出降阶模型。在本研究中，考虑将主成分分析 (PCA) 与克里金法相结合以识别准确的低阶模型。PCA 用于识别和分离系统的不变量，即 PCA 模式，而不是与特征操作条件相关的系数。然后使用克里金法找到这些系数的响应面。这导致了一个替代模型，允许以较低的计算成本执行参数探索。本文还介绍了经典 PCA 方法的变体，即局部和约束 PCA。该方法分别在 OpenSmoke++ 和 OpenFoam 生成的 1D 和 2D 火焰上进行了演示，并为其开发了精确的替代模型。