用Dempster-Shafer理论和神经网络进行嗅觉模型的灵敏度和不确定性分析

科学领域:

• 计算流体动力学 (CFD) 是一种计算流体动力学.
• 生物工程是生物工程.
• 感官系统 感官系统

背景情况:

• 关节动物的嗅觉依赖于与流体动力学相互作用的化学感知毛发 (sensilla),以检测气味线索.
• 形态和流量参数的变化在嗅觉模型中引入了随机和认识的不确定性.
• 对这些不确定性的准确建模对于理解嗅觉系统功能至关重要.

研究的目的:

• 开发一个集成的计算框架,用于量化和分析关节动物嗅觉模型中的混合不确定性.
• 识别影响嗅觉流体动力学关键感兴趣量 (QoI) 的有影响力的不确定因素.
• 用Dempster-Shafer (DS) 理论和概率密度函数来描述输出不确定性.

主要方法:

• 集成的计算框架,将Dempster-Shafer (DS) 理论与基于神经网络的替代模型结合起来.
• 用有限的样本构建认识学变量 (例如,感觉间的差距) 的信念函数.
• 训练前神经网络作为完整的CFD模拟的计算效率高的替代品.
• 全球敏感性分析 (SA) 用于识别有影响力的不确定因素.
• 使用DS信念结构和经验概率密度函数对输出不确定性的表征.

主要成果:

• 嗅觉系统中的漏洞对感官阵列方向 (角度) 和感官间隙的不确定性最敏感.
• 平均速度主要受到数组角度和雷诺兹数的不确定性的影响.
• 该框架有效量化混合不确定性,并进行全球敏感性分析.

结论:

• 综合计算框架有效量化和分析嗅觉流体动态中的混合不确定性.
• 灵敏度分析成功地确定了影响嗅觉系统性能的关键变量.
• 该研究提供了一种强大的方法来描述生物流体动力学模型中的不确定性.