Multi-Fidelity Surrogate Modelling for Uncertainty-Aware Prediction of Disturbed Velocity Fields in Virtual Flow Metering
Dit artikel presenteert een autoregressief multi-fidelity Gaussian process regressiekader dat schaarse, hoogwaardige LDV-metingen combineert met overvloedige, vertekende CFD-simulaties om een real-time, onzekerheidsbewust surrogaatmodel te creëren voor het voorspellen van verstoorde snelheidsvelden in virtuele debietmeting, waarbij een significante foutreductie en betrouwbare 95%-voorspellingsintervallen worden bereikt.