A Streaming Sparse Cholesky Method for Derivative-Informed Gaussian Process Surrogates Within Digital Twin Applications
Dieses Paper präsentiert ein End-to-End-Digital-Twin-Framework für Flugzeugstrukturen, das einen neuartigen Streaming-Sparse-Cholesky-Solver nutzt, um Ableitungsdaten effizient in dynamische Gauß-Prozess-Surrogate einzubinden, was Echtzeit-Vorhersagen des Ermüdungsrisswachstums mit hoher Genauigkeit ermöglicht, ohne die prohibitiven Rechenkosten, die üblicherweise mit Ableitungs-erweiterten Modellen verbunden sind, zu verursachen.