Verborgene Parameter (θ) schätzen
Fügen Sie eine gemessene Polarisationskurve ein, und der virtuelle Sensor auf Basis von Neural Posterior Estimation (NPE) liefert die Posterior-Verteilung (A-posteriori-Verteilung) über verborgene physikalische Parameter – Austauschstromdichte, Tafel-Steigung, Biofilmleitfähigkeit und weitere – mit kalibrierten Glaubwürdigkeitsintervallen, einem posterior-prädiktiven Anpassungswert und einer OOD-Kennzeichnung für Beobachtungen außerhalb der Trainingsverteilung.
Forschungsvorschau
Beobachtung
Reaktorbedingungen (optional)
Posterior
Fügen Sie eine Polarisationskurve ein und senden Sie sie ab, um den Posterior über die verborgenen θ zu sehen.
Wie kommen diese Ergebnisse zustande?
Das NPE wurde mit Simulator-Ziehungen aus der Butler-Volmer-Monod-Kinetikfamilie (anodische Oxidation) trainiert, mit Priors über Austauschstromdichte, Tafel-Steigung, Biofilmleitfähigkeit, Halbsättigungskonstante und Biofilmdicke. Bei reiner Polarisationsbeobachtung ist die Identifizierbarkeit begrenzt: Eine Fisher-Rang-Analyse am Simulator zeigte, dass Deff und der Thiele-Modul φ gemeinsam identifizierbar sind, einzeln aber kollabieren – das NPE gibt den kollabierten Posterior aus und kennzeichnet die betroffenen θ.
Der ppc_score ist die posterior-prädiktive Anpassung an die beobachtete Kurve (0–1; höher ist besser). Das ood_flag nutzt eine Conformal-Kalibrierung an einem zurückgehaltenen Simulator-Datensatz – liegt die Likelihood der beobachteten Kurve unter dem Posterior unterhalb der Conformal-Schwelle, wird das Flag gesetzt.