مدل جانشین — که متامدل، شبیهساز یا سطح پاسخ نیز نامیده میشود — تقریبی سریع از یک شبیهسازی محاسباتی پرهزینه است که بر تعداد محدودی از اجراهای شبیهسازی آموزش دیده است. این مدل تحلیل احتمالاتی، بهینهسازی و تصمیمگیری زمان واقعی را که با شبیهسازی اصلی غیرعملی خواهند بود ممکن میسازد.
مدل جانشین — که متامدل، سطح پاسخ یا شبیهساز نیز نامیده میشود — تقریبی از نظر محاسباتی ارزان از یک شبیهسازی پرهزینه است. انگیزه ساده است: بسیاری از شبیهسازیهای مهندسی (تحلیل اجزای محدود، تحلیل تاریخچه پاسخ غیرخطی، دینامیک سیالات محاسباتی) نیازمند دقایق تا ساعتها برای اجرا هستند و آنها را برای کاربردهایی که نیازمند هزاران یا میلیونها ارزیابیاند غیرعملی میسازند — تحلیل احتمالاتی، بهینهسازی، مطالعات حساسیت، پشتیبانی تصمیم زمان واقعی یا شبیهسازی مونتکارلو. مدل جانشین بر تعداد محدودی از اجراهای شبیهسازی («مجموعه آموزش») آموزش میبیند و سپس شبیهسازی پرهزینه را با یک تقریب سریع که میتواند در میلیثانیه یا کمتر ارزیابی شود جایگزین میکند.
مدلهای جانشین از طریق چندین رویکرد ساخته میشوند که هرکدام نقاط قوت و ضعف خود را دارند. سطوح پاسخ چندجملهای یک چندجملهای مرتبه پایین را بر دادههای آموزش برازش میدهند — ساده و تفسیرپذیر، اما محدود به مسائل هموار و کمبعد. توابع پایه شعاعی (RBF) و رگرسیون کریجینگ/فرایند گاوسی روشهای درونیابی انعطافپذیری هستند که هم پیشبینی و هم برآوردی از عدم قطعیت فراهم میآورند — کریجینگ بهویژه محبوب است زیرا برآورد عدم قطعیت هدایت میکند که کجا نقاط آموزش اضافه شوند (نمونهگیری انطباقی). رگرسیون بردار پشتیبان (SVR) از روشهای هستهای برای ساخت تقریبهای غیرخطی با خواص تعمیم خوب استفاده میکند. جانشینهای شبکه عصبی — بهویژه شبکههای عمیق — بهطور فزایندهای برای مسائل پربعد که روشهای کلاسیک در آنها مشکل دارند به کار میروند. بسط آشوب چندجملهای (PCE) روشی طیفی است که بهویژه برای کمّیسازی عدم قطعیت مناسب است و پاسخ را بهصورت چندجملهای در متغیرهای تصادفی ورودی بیان میکند. روشهای ترکیبی و چنددقتی شبیهسازیهایی با دقتهای مختلف (مثلاً شبکههای درشت و ریز، مدلهای خطی و غیرخطی) را برای ساخت جانشینی که هم دقیق و هم ارزان است ترکیب میکنند.
مدلهای جانشین در حال تحول بخشیدن به مهندسی زلزله محاسباتی هستند با عملی ساختن تحلیلهایی که پیشتر غیرعملی بودند. در مهندسی زلزله مبتنی بر عملکرد، مدلهای جانشین نتایج تحلیل تاریخچه پاسخ غیرخطی را تقریب میزنند و برآورد احتمالاتی تقاضای لرزهای و زیان را برای مجموعههای بزرگ ساختمان یا برای پشتیبانی تصمیم زمان واقعی ممکن میسازند. در تحلیل خطر لرزهای احتمالاتی، جانشینها محاسبه منحنیهای خطر و تجزیه را تسریع میکنند. در قابلیت اعتماد سازه، مدلهای جانشین تحلیلهای مونتکارلو و نمونهگیری اهمیت را که با شبیهسازی اصلی غیرممکن خواهند بود ممکن میسازند. در کاربردهای زمان واقعی — شامل هشدار سریع زلزله، ارزیابی سریع پس از زلزله و کنترل سازه — مدلهای جانشین پیشبینیهای سریع مورد نیاز برای تصمیمگیری در عرض ثانیه را فراهم میآورند. در بهینهسازی و طراحی، جانشینها بهینهسازی کلی سامانههای سازهای را که هر ارزیابی در آنها در غیر این صورت ساعتها طول میکشد ممکن میسازند. چالشهای کلیدی شامل: (۱) نفرین ابعاد — اکثر روشهای جانشین با افزایش تعداد متغیرهای ورودی افت میکنند؛ (۲) توازن میان دقت و هزینه — دادههای آموزش بیشتر دقت را بهبود میدهد اما هزینه را افزایش میدهد؛ (۳) انتخاب نوع جانشین برای یک مسئله معین؛ (۴) نیاز به کمّیسازی عدم قطعیت در خود جانشین؛ و (۵) خطر خطای برونیابی زمانی که جانشین بیرون از دامنه آموزشش ارزیابی میشود. در ایران، مدلسازی جانشین بهطور فزایندهای در طراحی مبتنی بر عملکرد سازههای مهم، در ارزیابی ریسک لرزهای مجموعههای ساختمانی و در پژوهش روی پایش زمان واقعی و ارزیابی سریع پس از زلزله به کار میرود. ترکیب مدلهای جانشین با یادگیری ماشین و رویکردهای آگاه به فیزیک حوزه فعالی از پژوهش در سراسر جهان است.