scholarly journals Monte Carlo Simulations of Au38(SCH3)24 Nanocluster Using Distance-Based Machine Learning Methods

2020 ◽  
Vol 124 (23) ◽  
pp. 4827-4836 ◽  
Author(s):  
Antti Pihlajamäki ◽  
Joonas Hämäläinen ◽  
Joakim Linja ◽  
Paavo Nieminen ◽  
Sami Malola ◽  
...  
Keyword(s):  
Machine Learning ◽  
Monte Carlo ◽  
Monte Carlo Simulations ◽  
Learning Methods ◽  
Machine Learning Methods

scholarly journals Multi-Output Regression for Analyzing Power System Random States in Reliability Assessment by the Monte Carlo Method

2021 ◽  
pp. 49
Author(s):  
D. A. Boyarkin
Keyword(s):  
Machine Learning ◽  
Monte Carlo ◽  
Monte Carlo Method ◽  
Power System ◽  
Electric Power ◽  
Reliability Assessment ◽  
Electric Power System ◽  
Learning Methods ◽  
Machine Learning Methods ◽  
The Monte Carlo Method

Increasing calculation speed of the electric power system (EPS) reliability of is one of the key issues in their operational management and long-term development planning. Analytical methods to assess the EPS reliability seem to be impossible due to large size of the problem and, as a consequence, essentially the only option for assessing is to use the Monte Carlo method. When it is used both the speed and the accuracy of calculation directly depend on the number of randomly generated system states and the complexity of their calculation in the model. Methods aimed at increasing computational efficiency can relate to two directions - reducing the states under consideration and simplifying the computational model for each state. Both options are performed provided that calculation accuracy is retained.The article presents research on using the machine learning methods and, in particular, the multi-output regression method to modernize the reliability assessment technique via the Monte Carlo method. Machine learning methods are used to determine the power deficit (realization of a random variable) for each random EPS state.The use of multi-output regression enables comprehensive determining of values of all the required variables. The experimental studies are based on the two test circuits of electric power systems: three-zone and IEEE RTS-96 with 24 zones of reliability.

A multivariate approach to determine electron beam parameters for a Monte Carlo 6 MV Linac model: Statistical and machine learning methods

2022 ◽  
Vol 93 ◽  
pp. 38-45
Author(s):  
Hye Jeong Yang ◽  
Tae Hoon Kim ◽  
Thomas Schaarschmidt ◽  
Dong-Wook Park ◽  
Seung Hee Kang ◽  
...  
Keyword(s):  
Machine Learning ◽  
Monte Carlo ◽  
Electron Beam ◽  
Multivariate Approach ◽  
Learning Methods ◽  
Machine Learning Methods ◽  
Beam Parameters

scholarly journals Advanced surrogate modeling and machine learning methods in computational stochastic mechanics

2020 ◽  
Author(s):  
Ιωάννης Καλογερής
Keyword(s):  
Machine Learning ◽  
Monte Carlo ◽  
Surrogate Modeling ◽  
Stochastic Mechanics ◽  
Learning Methods ◽  
Machine Learning Methods

Η ποσοτικοποίηση της αβεβαιότητας στις παραμέτρους ενός μηχανικού συστήματος και οι μέθοδοι για τον προσδιορισμό της επιρροής της στην απόκριση αυτού αποτελούν ένα ουσιώδες κομμάτι της ανάλυσης και του σχεδιασμού των κατασκευών. Τις τελευταίες δεκαετίες αναπτύχθηκε η μέθοδος των στοχαστικών πεπερασμένων στοιχείων (ΣΠΣ), η οποία έχει ως στόχο τη μελέτη συστημάτων στα οποία ενυπάρχουν αβεβαιότητες στις παραμέτρους του συστήματος (πχ. ιδιότητες υλικών), στις συνοριακές συνθήκες, στη γεωμετρία και στη φόρτιση. Η κυριότερη και πιο διαδεδομένη μέθοδος στην κατηγορία των ΣΠΣ είναι η μέθοδος προσομοίωσης Monte Carlo. Στην πραγματικότητα, η μέθοδος αυτή είναι η μόνη ικανή να χειριστεί στοχαστικά προβλήματα στα οποία εμπλέκονται μη-γραμμικότητες, δυναμικές φορτίσεις, προβλήματα ευστάθειας, κλπ. Ωστόσο, για να επιτύχει υψηλή ακρίβεια απαιτεί ένα μεγάλο αριθμό τυχαίων προσομοιώσεων του υπολογιστικού μοντέλου για διάφορες τιμές των παραμέτρων. Ως συνέπεια, το υπολογιστικό κόστος αυτής της προσέγγισης καθίσταται ασύμφορο σε λεπτομερή μοντέλα με πολλούς βαθμούς ελευθερίας ή/και σε μη-γραμμικά δυναμικά προβλήματα, όπου η διάρκεια της μιας ανάλυσης κυμαίνεται από μερικά λεπτά έως μερικές ώρες. Με βάση αυτό το συμπέρασμα, η παρούσα ερευνητική προσπάθεια επικεντρώνεται στην εφαρμογή τεχνικών υποκατάστατης μοντελοποίησης και τεχνικών μηχανικής μάθησης με στόχο να παρακαμφθεί ο υπολογιστικός φόρτος της μεθόδου Monte Carlo. Στο πρώτο στάδιο της διατριβής, μελετάται η μέθοδος της εξέλιξης της πυκνότητας πιθανότητας ως μια εναλλακτική της Monte Carlo και προτείνονται κατάλληλες διατυπώσεις για την εφαρμογή της σε στατικά προβλήματα και σε μη-γραμμικά προβλήματα. Παράλληλα, προτείνεται ένα ακριβέστερο και αποδοτικότερο σχήμα πεπερασμένων στοιχείων βασισμένο στη μέθοδο Streamline Upwind/Petrov Galerkin για την επίλυση των μερικών διαφορικών εξισώσεων που προκύπτουν στα πλαίσια της μεθόδου. Εν συνεχεία, αναπτύσσεται το μαθηματικό και υπολογιστικό πλαίσιο για την εφαρμογή της μεθόδου των Φασματικών Στοχαστικών Πεπερασμένων στοιχείων σε στοχαστικά προβλήματα ραβδωτών φορέων με μη-γραμμικότητα γεωμετρίας. Τέλος, προτείνεται μια νέα μεθοδολογία κατασκευής υποκατάστατων μοντέλων βασισμένη στον αλγόριθμο των Χαρτών διάχυσης, ο οποίος ανήκει στην κατηγορία των μεθόδων μάθησης σε πολλαπλότητες. Με την προτεινόμενη μεθοδολογία το πλήρες προσομοίωμα των πεπερασμένων στοιχείων αντικαθίσταται από απλούστερες μαθηματικές σχέσεις με ελάχιστο κόστος υπολογισμού, επιτυγχάνοντας έτσι σημαντική μείωση του κόστους της μεθόδου Monte Carlo χωρίς ουσιαστικές απώλειες σε ακρίβεια.

Sign in / Sign up

Export Citation Format

Share Document