DOI: https://doi.org/10.1016/j.ress.2024.110053
تاريخ النشر: 2024-03-04
المؤلف: Chao Dang وآخرون
الموضوع الرئيسي: تصميم هندسي احتمالي وقوي
نظرة عامة
يقدم هذا القسم نهجًا جديدًا لأخذ عينات الخط (LS) لتحليل موثوقية الهياكل، يهدف بشكل خاص إلى تحسين تقييم احتمالات الفشل الصغيرة من خلال إطار عمل التعلم النشط بايزي. الطريقة المقترحة، التي تُسمى “أخذ عينات الخط بالتعلم النشط بايزي مع عملية لوغاريتمية” (BAL-LS-LP)، تستخدم عملية لوغاريتمية (LP) كأولوية بدلاً من عملية غاوسية لتلبية قيود عدم السلبية لوظيفة المسافة بشكل أفضل. يفترض هذا النهج أن خطأ التقريب بين التقريب اللوغاريتمي ووظائف المسافة الحقيقية يتبع توزيعًا طبيعيًا بمتوسط صفر، مما يسمح باشتقاق المتوسط التقريبي اللاحق والتباين لاحتمال الفشل.
علاوة على ذلك، تتضمن الطريقة وظيفة تعلم ومعيار توقف استنادًا إلى إحصائيات لاحقة لاحتمال الفشل، مما يسهل عملية التعلم النشط. ومن الجدير بالذكر أن طريقة BAL-LS-LP تسمح بتحديثات في الوقت الحقيقي للاتجاه المهم دون الحاجة إلى إعادة تقييم وظيفة المسافة. يتم إثبات فعالية هذا النهج من خلال أربعة أمثلة عددية، تشير إلى أن BAL-LS-LP يمكن أن يقدر بكفاءة ودقة احتمالات الفشل الصغيرة للغاية.
مقدمة
تناقش مقدمة الورقة إطار تحليل موثوقية الهياكل الاحتمالية، مع التركيز على حساب احتمالات الفشل من خلال صياغة تكامل متعددة. يتم التعبير عن احتمال الفشل، الذي يُرمز له بـ \( P_f \)، كالتالي \( P_f = \int_X I(g(\mathbf{x})) f_X(\mathbf{x}) d\mathbf{x} \)، حيث \( \mathbf{X} \) هو متجه من المتغيرات العشوائية، و\( f_X(\mathbf{x}) \) هو دالة كثافة الاحتمال المشتركة، و\( g(\mathbf{X}) \) هي دالة الأداء التي تشير إلى فشل النظام. نظرًا لتعقيد تقييم احتمالات الفشل الصغيرة، تم تطوير طرق عددية متنوعة، بما في ذلك طريقة أخذ عينات الخط (LS)، التي تعيد صياغة تكامل احتمال الفشل في هيكل متداخل لتعزيز الكفاءة الحسابية.
تم تعديل وتحسين طريقة LS على مر الزمن، مع دمج المبادئ البايزية في تحليل الموثوقية. ومن الجدير بالذكر أن الورقة تقدم مفهوم أخذ عينات الخط بالتعلم النشط بايزي (BAL-LS)، الذي يهدف إلى توفير توصيف أكثر شمولاً لعدم اليقين في احتمالات الفشل من خلال معالجة كل من أخطاء التقطيع والتقريب. تستخدم الطريقة المقترحة عملية لوغاريتمية كأولوية لوظيفة المسافة لضمان تلبية قيود عدم السلبية، مما يتناقض مع الأساليب السابقة التي استخدمت عمليات غاوسية. يسمح هذا النهج المبتكر بتطوير وظيفة تعلم ومعيار توقف استنادًا إلى تمثيل عدم اليقين لاحتمال الفشل، مما يمهد الطريق للأقسام التالية من الورقة التي تفصل الأساليب ذات الصلة، والمنهجية المقترحة، وأمثلة عددية للتحقق من صحة النهج.
طرق
في هذا القسم، يقدم المؤلفون طريقتين ذات صلة بتحليلهم للموثوقية: المربعات الصغرى التقليدية (LS) والمربعات الصغرى التكيفية البايزية (BAL-LS). يعيدون صياغة مشكلة تحليل الموثوقية في سياق الفضاء الطبيعي القياسي من خلال تطبيق تحويل عكسي \( T \). يقوم هذا التحويل بتحويل المتجه العشوائي الأساسي \( \mathbf{X} \) إلى متجه طبيعي قياسي \( \mathbf{U} = [U_1, U_2, \ldots, U_d]^\top \)، يُعبر عنه كالتالي \( \mathbf{U} = T(\mathbf{X}) \).
يحدد المؤلفون أيضًا دالة أداء محولة \( \mathcal{G}(\mathbf{U}) := g(T^{-1}(\mathbf{U})) \)، مما يسمح بتحليل الأداء في الفضاء الطبيعي القياسي. تعتبر هذه الصياغة ضرورية للتطبيق اللاحق لطرق LS وBAL-LS، مما يسهل إطار تحليل موثوقية أكثر فعالية.
مناقشة
يقارن قسم المناقشة في الورقة بين طرق أخذ عينات الخط التقليدية (LS) ونهج جديد لأخذ عينات الخط بالتعلم النشط بايزي (BAL-LS). تبدأ LS التقليدية بتحديد اتجاه حرج، يُرمز له بـ $\alpha$، الذي يشير إلى مجال الفشل في الفضاء الطبيعي القياسي. يتم حساب احتمال الفشل باستخدام طريقة محاكاة مونت كارلو الخشنة (MCS)، والتي، على الرغم من كونها قوية، تعاني من معدلات تقارب منخفضة ولا تأخذ في الاعتبار أخطاء التقريب في تقدير احتمال الفشل. بالمقابل، يؤطر BAL-LS تقدير احتمال الفشل كمشكلة استدلال بايزي، مما يدمج عدم اليقين الإبستيمي ويسمح بإطار عمل للتعلم النشط لتقليل هذا اليقين. تستخدم هذه الطريقة عملية غاوسية (GP) كأولوية على دالة $\beta$، التي تمثل المسافة إلى سطح حالة الحد، وتقوم بتحديث التوزيع اللاحق استنادًا إلى البيانات الملاحظة.
تقدم الورقة أيضًا نسخة محسنة من BAL-LS، تُسمى BAL-LS-LP، التي تستخدم عملية لوغاريتمية (LP) كأولوية بدلاً من أولوية GP لمعالجة القيود في التعبير عن عدم السلبية وأخذ أخطاء التقريب في الاعتبار. يسمح هذا النهج بتمثيل أكثر دقة لاحتمال الفشل ويشمل تقريب GP متطابق للحظة لاشتقاق إحصائيات لاحقة. تتضمن الطريقة المقترحة إجراءً منهجيًا لتحديث الاتجاه المهم ديناميكيًا خلال مرحلة التعلم النشط، مما يعزز كفاءة عملية أخذ العينات. بشكل عام، تشير النتائج إلى أن BAL-LS-LP يوفر إطارًا أكثر قوة لتقدير احتمالات الفشل في تحليل الموثوقية مقارنة بالطرق التقليدية، بينما يتناول أيضًا القيود الرئيسية للنهج البايزي السابقة.
DOI: https://doi.org/10.1016/j.ress.2024.110053
Publication Date: 2024-03-04
Author(s): Chao Dang et al.
Primary Topic: Probabilistic and Robust Engineering Design
Overview
The section presents a novel approach to line sampling (LS) for structural reliability analysis, particularly aimed at improving the assessment of small failure probabilities through a Bayesian active learning framework. The proposed method, termed ‘Bayesian active learning line sampling with log-normal process’ (BAL-LS-LP), utilizes a log-normal process (LP) prior instead of a Gaussian process prior to better accommodate the non-negativity constraint of the distance function. This approach assumes that the approximation error between the logarithmic approximate and true distance functions follows a zero-mean normal distribution, allowing for the derivation of the approximate posterior mean and variance of the failure probability.
Furthermore, the method incorporates a learning function and a stopping criterion based on the posterior statistics of the failure probability, facilitating the active learning process. Notably, the BAL-LS-LP method allows for real-time updates of the important direction without the need to re-evaluate the distance function. The effectiveness of this approach is demonstrated through four numerical examples, which indicate that BAL-LS-LP can efficiently and accurately estimate extremely small failure probabilities.
Introduction
The introduction of the paper discusses the framework of probabilistic structural reliability analysis, focusing on the calculation of failure probabilities through a multiple integral formulation. The failure probability, denoted as \( P_f \), is expressed as \( P_f = \int_X I(g(\mathbf{x})) f_X(\mathbf{x}) d\mathbf{x} \), where \( \mathbf{X} \) is a vector of random variables, \( f_X(\mathbf{x}) \) is the joint probability density function, and \( g(\mathbf{X}) \) is the performance function that indicates system failure. Due to the complexity of evaluating small failure probabilities, various numerical methods have been developed, including the line sampling (LS) method, which reformulates the failure probability integral into a nested structure to enhance computational efficiency.
The LS method has been adapted and improved over time, with recent advancements integrating Bayesian principles into reliability analysis. Notably, the paper introduces the concept of Bayesian active learning line sampling (BAL-LS), which aims to provide a more comprehensive uncertainty characterization of failure probabilities by addressing both discretization and approximation errors. The proposed method employs a log-normal process prior for the distance function to ensure non-negativity constraints are met, contrasting with previous approaches that utilized Gaussian processes. This innovative approach allows for the development of a learning function and stopping criterion based on the uncertainty representation of the failure probability, setting the stage for the subsequent sections of the paper that detail related methods, the proposed methodology, and numerical examples to validate the approach.
Methods
In this section, the authors introduce two methods relevant to their reliability analysis: traditional Least Squares (LS) and Bayesian Adaptive Least Squares (BAL-LS). They reformulate the reliability analysis problem within the context of standard normal space by applying a reversible transformation \( T \). This transformation converts the basic random vector \( \mathbf{X} \) into a standard normal vector \( \mathbf{U} = [U_1, U_2, \ldots, U_d]^\top \), expressed as \( \mathbf{U} = T(\mathbf{X}) \).
The authors further define a transformed performance function \( \mathcal{G}(\mathbf{U}) := g(T^{-1}(\mathbf{U})) \), which allows for the analysis of performance in the standard normal space. This reformulation is crucial for the subsequent application of the LS and BAL-LS methods, facilitating a more effective reliability analysis framework.
Discussion
The discussion section of the paper contrasts traditional line sampling (LS) methods with a novel Bayesian active learning line sampling (BAL-LS) approach. Traditional LS begins by identifying a critical direction, denoted as $\alpha$, which points towards the failure domain in standard normal space. The failure probability is computed using a crude Monte Carlo simulation (MCS) method, which, while robust, suffers from low convergence rates and does not account for approximation errors in estimating the failure probability. In contrast, BAL-LS frames the failure probability estimation as a Bayesian inference problem, incorporating epistemic uncertainty and allowing for an active learning framework to reduce this uncertainty. This method employs a Gaussian process (GP) prior over the $\beta$-function, which represents the distance to the limit state surface, and updates the posterior distribution based on observed data.
The paper further introduces an enhanced version of BAL-LS, termed BAL-LS-LP, which utilizes a log-normal process (LP) prior instead of a GP prior to address limitations in expressing non-negativity and accounting for approximation errors. This approach allows for a more accurate representation of the failure probability and incorporates a moment-matched GP approximation to derive posterior statistics. The proposed method includes a systematic procedure for updating the important direction dynamically during the active learning phase, enhancing the efficiency of the sampling process. Overall, the findings suggest that BAL-LS-LP provides a more robust framework for estimating failure probabilities in reliability analysis compared to traditional methods, while also addressing key limitations of previous Bayesian approaches.