FEMBEMyhdistelmiä

FEMBEmyhdistelmiä on suomenkielinen termi, jolla viitataan erilaisten hybridi- tai integraatiomenetelmien ryhmään, joissa perinteinen Finite Element Method (FEM) -mallinnus yhdistetään dataan perustuvaan estimointiin tai oppimiseen. Näitä yhdistelmiä käytetään, kun fysikaalisen mallin parametreja on vaikea tuntea täsmällisesti ja mittausdata tarjoaa lisätietoa.

Perusidea on, että FEM-malli tuottaa fysikaaliset vasteet ja rakenteen, mutta parametreja päivitetään tai korrigoidaan data- tai bayesiläisten menetelmien avulla. Tällainen lähestymistapa voi sisältääBayesin päivittämää parametrisointia, ensemble-tyyppisiä menetelmiä sekä residuaalimallin korjausmenetelmiä, joissa dataohjattu komponentti täydennyttää FEM:n puutteita. FEMBEmyhdistelmiä voidaan pitää sekä parameterisoitujen inversioiden että residuaalisten oppimismallien välimuodostumana.

Tyypillisiä variantteja ovat parametri-inversiot, residuaalin oppiminen FEM-residujen korjaamiseksi, sekä multi-physics-yhteistyö, jossa FEM vastaa fyysisestä osiosta ja dataohjattu malli hoitaa toisen osa-alueen. Tällaiset lähestymistavat soveltuvat muun muassa rakennesuunnitteluun, ilmailu- ja autoteollisuuteen, biolääketieteellisiin simulaatioihin sekä materiaalitutkimukseen. Niiden etuina ovat parempi ennustettavuus ja epävarmuuden hallinta sekä kyky hyödyntää olemassa olevaa dataa fyysisen mallin päivityksessä.

Rajoitteisiin kuuluu laskennallinen kustannus ja identifioitavuuteen sekä datan laatuun liittyvät haasteet. Termiä käytetään eri julkaisuissa hieman eri tavoin, mikä heijastaa FEM:n ja datavetojen menetelmien joustavuutta. Lisätietoja saa liittyen finite element -menetelmään, Bayesian statisticsiin, data-assimilaatioon ja mallin päivittämiseen.