Physics-Aware Tuning of Unscented Kalman Filter:Statistical Framework for Solving Inverse Problems Involving Nonlinear Dynamical Systems and Missing Data
Notice bibliographique
Résumé
Abstract The performance of the Unscented Kalman Filter (UKF) strongly depends on the proper choice of measurement and process uncertainty matrices, as well as on the scaling parameter of the unscented transform. To avoid cumbersome trial-and-error manual settings in finding the optimal hyperparameters, we introduce a hands-off meta-optimization framework, which incorporates a nonlinear mesh adaptive direct search optimization algorithm in an offline outer loop, paired with a physics-aware loss function. The novelty of this approach is twofold. First, a physics-aware loss function is used to optimize the UKF hyperparameters. It minimizes the physical discrepancy induced by the data-driven correction of the prior states during filtering. Notably, sensor data are not directly incorporated into the calculation of the loss function, which expedites the tuning of the filter in weakly informative data scenarios, especially when the underlying physics is well understood. Second, UKF relaxation is embedded in the optimization to make the measurement and process noise covariance matrices adaptive, which greatly reduces the dimension of the optimization space while remaining very general with respect to the structure of the matrices. We demonstrate the effectiveness of the proposed framework, as the cornerstone of a future digital twin technology combining data- and physics-based models, through various classical problems in solid mechanics, rotating machinery, civil engineering, and fluid-solid interaction.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».