Gregor Kriwet

Methods for Model Calibration and Design of Optimal Experiments for Partial Differential Equation Models


voorkant	achterkant

ISBN:

978-3-8440-4749-3

Reeks:

Industriemathematik und Angewandte Mathematik

Trefwoorden:

Parameter Estimation; Optimum Experimental Design; Model Validation of PDE; Gauß-Newton Method in Function Space; Hessian Approximation; Adjoint Computation of Derivatives; PDE Constrained Optimization

Soort publicatie:

Dissertatie

Taal:

Engels

Pagina's:

188 pagina's

Gewicht:

332 g

Formaat:

24,0 x 17,0 cm

Bindung:

Softcover

Prijs:

48,80 € / 61,10 SFr

Verschijningsdatum:

September 2016

Kopen:

Download:

Beschikbare online documenten voor deze titel:

U heeft Adobe Reader, nodig, om deze bestanden te kunnen bekijken. Hier vindt u ondersteuning en informatie, bij het downloaden van PDF-bestanden.

Let u er a.u.b. op dat de online-bestanden niet drukbaar zijn.


	Document		Document
	Soort bestand		PDF
	Kosten		36,60 EUR
	Acties		Tonen en kopen van het bestand - 1,2 MB (1243348 Byte)
	Acties		Kopen en downloaden van het bestand - 1,2 MB (1243348 Byte)


	Document		Inhoudsopgave
	Soort bestand		PDF
	Kosten		gratis
	Acties		Het bestand tonen - 119 kB (121910 Byte)
	Acties		downloaden van het bestand - 119 kB (121910 Byte)

Gebruikersinstellingen voor geregistreerde online-bezoekers

Hier kunt u uw adresgegevens aanpassen en uw documenten inzien.

Gebruiker:	niet aangemeld
Acties:	aanmelden/registreren Paswoord vergeten?

Aanbevelen:

Wilt u dit boek aanbevelen?

Recensie-exemplaar

Bestelling van een recensie-exemplaar.

Verlinking

Wilt u een link hebben van uw publicatie met onze online catalogus? Klik hier.

Samenvatting

Mathematical models are of great importance in manufacturing and engineering. Besides providing a scientific insight into processes, the mathematical models are used in process optimization and control. However, the results from simulation and optimization are only reliable if the underlying model precisely describes the underlying process. This implies a model validated by experimental data with sufficiently good estimates for model parameters.

In recent decades, powerful and efficient methods for model calibration and design of optimal experiments for ordinary differential equation (ODE) models have been developed. First steps towards model validation of partial differential equations (PDE) have been made by semi discretization in space, which transforms the PDE into a huge system of ODEs. In this case, it is not possible to use modern methods for PDE constrained optimization. Consequently, it is hardly possible to solve the problem on standard computers.

To cope with this problem, this dissertation combines modern methods for PDE constrained optimization with established approaches for model validation. The optimum experimental design problem is not of standard type. In order to consider the finite measurement time points, the problem is formulated as a multistage optimization problem. Furthermore, the evaluation of the objective function requires the computation of derivatives. Despite these problems, this dissertation successfully adapts the adjoint approach for the computation of the reduced gradient. Furthermore, the thesis presents a positive definite approximation of the second order derivatives, which can be computed very efficiently by adjoint PDEs.