DOI: https://doi.org/10.1016/j.ress.2024.110052
تاريخ النشر: 2024-03-02
المؤلف: Chao Dang وآخرون
الموضوع الرئيسي: تصميم هندسي احتمالي وقوي
نظرة عامة
إطار استدلال احتمالية الفشل البايزية (BFPI) يعمل كأساس لتطوير طرق التعلم النشط البايزي في تحليل الموثوقية. على الرغم من إمكانياته، فإن استخدام التباين البعدي للاحتمالات الفشل لا يزال يتطلب حسابات مكثفة. تقدم هذه الدراسة طريقة جديدة تُسمى “التكامل النصف بايزي للتعلم النشط” (SBALQ)، التي تركز على تقدير احتمالات الفشل المنخفضة للغاية من خلال الاستفادة فقط من المتوسط البعدي للاحتمالية الفشل. يؤدي هذا النهج إلى صياغة معيار توقف جديد يعتمد على هيكل المتوسط البعدي وتطوير تقنية تكامل عددي تُسمى “محاكاة القشرة الفائقة” لمعالجة التكاملات التي لا يمكن التعامل معها تحليليًا المرتبطة بمعيار التوقف.
بالإضافة إلى ذلك، تستخرج الدراسة دالة تعلم جديدة من معيار التوقف، مما يمكّن من تحديد نقطة واحدة في كل تكرار من عملية التعلم النشط. لتعزيز الكفاءة، خاصة في سيناريوهات الحوسبة المتوازية، يتم تعديل هذه الدالة لتسمح بالاختيار المتعدد النقاط من خلال دمج دالة تأثير. يتم التحقق من فعالية طريقة SBALQ من خلال خمسة أمثلة عددية، مما يظهر قدرتها على تقييم احتمالات الفشل الصغيرة للغاية بدقة وكفاءة.
مقدمة
في مجال تحليل موثوقية الهياكل الاحتمالية، يعد حساب احتمالية الفشل، المشار إليها بـ \( P_f \)، هدفًا حاسمًا، يتم تعريفه من خلال تكامل متعدد الأبعاد يتضمن دالة كثافة احتمالية مشتركة ودالة أداء. نظرًا لتعقيد السيناريوهات الواقعية، غالبًا ما تكون الحلول التحليلية غير قابلة للتحقيق، مما يستلزم تقريبًا عدديًا. تتطلب الطرق العددية التقليدية تقييمات واسعة لدالة الأداء، مما قد يكون مكثفًا حسابيًا. أدت التطورات الحديثة إلى ظهور طرق تحليل موثوقية التعلم النشط البايزي، التي تدمج الاستدلال الإحصائي البايزي مع تقنيات التعلم النشط لتعزيز كفاءة تقدير احتمالية الفشل.
تقدم هذه الورقة طريقة جديدة تُسمى “التكامل النصف بايزي للتعلم النشط” (SBALQ)، مصممة لتقييم احتمالات الفشل المنخفضة للغاية بفعالية مع تسهيل الحوسبة المتوازية. تشمل المساهمات الرئيسية معيار توقف جديد يعتمد على المتوسط البعدي للاحتمالية الفشل، وتقنية تكامل عددية مبتكرة تُسمى “محاكاة القشرة الفائقة” (HSS) لتقريب التكاملات المعقدة، وتطوير دوال تعلم جديدة تمكّن من الاختيار المتعدد النقاط خلال مرحلة التعلم النشط. ستستعرض الأقسام التالية من الورقة الدراسات السابقة، وتفصيل طريقة SBALQ، وتقديم أمثلة عددية لإظهار فعاليتها.
نقاش
في هذا القسم، يناقش المؤلفون دمج إطار استدلال احتمالية الفشل البايزية (BFPI) مع طرق التعلم النشط البايزي، مع التركيز بشكل خاص على الطريقة الجديدة المقترحة “التكامل النصف بايزي للتعلم النشط” (SBALQ). يتم إعادة صياغة إطار BFPI في الفضاء الطبيعي القياسي، مما يسمح بتطبيق أولويات العمليات الغاوسية (GP) على دالة الأداء. يوضح المؤلفون عملية الحصول على التوزيع البعدي للاحتمالية الفشل، مع التأكيد على دور المعلمات الفائقة واستخدام مجموعات بيانات الملاحظة لتحسين هذه التقديرات من خلال تعظيم الاحتمالية الهامشية اللوغاريتمية.
تستند طريقة SBALQ إلى طرق التعلم النشط البايزي الجزئي الموجودة (PBALC) من خلال استخدام المتوسط البعدي للاحتمالية الفشل لتأسيس كل من معايير التوقف ودوال التعلم. على عكس طرق PBALC، تركز SBALQ على المقام في الحد الكسري في المتوسط البعدي، مما يسهل الحساب المتوازي. تم تصميم معيار التوقف لتقييم دقة تقدير احتمالية الفشل، بينما تهدف دالة التعلم إلى تحديد نقاط معلومات متعددة للتقييم، مما يعزز كفاءة عملية التعلم النشط. يقدم المؤلفون أيضًا تقنية تكامل عددية جديدة، تُسمى محاكاة القشرة الفائقة (HSS)، لتقريب التكاملات الحرجة المعنية في معيار التوقف، مما يحسن التحليل العام للموثوقية للأنظمة الهيكلية ذات احتمالات الفشل المنخفضة.
DOI: https://doi.org/10.1016/j.ress.2024.110052
Publication Date: 2024-03-02
Author(s): Chao Dang et al.
Primary Topic: Probabilistic and Robust Engineering Design
Overview
The Bayesian failure probability inference (BFPI) framework serves as a foundational approach for developing Bayesian active learning methods in reliability analysis. Despite its potential, utilizing the posterior variance of failure probabilities remains computationally demanding. This study introduces a novel method termed ‘semi-Bayesian active learning quadrature’ (SBALQ), which focuses on estimating extremely low failure probabilities by leveraging only the posterior mean of the failure probability. This approach leads to the formulation of a new stopping criterion based on the structure of the posterior mean and the development of a numerical integration technique called ‘hyper-shell simulation’ to tackle the analytically intractable integrals associated with the stopping criterion.
Additionally, the study derives a new learning function from the stopping criterion, enabling the identification of a single point in each iteration of the active learning process. To enhance efficiency, particularly in parallel computing scenarios, this learning function is modified to allow for multi-point selection through the incorporation of an influence function. The effectiveness of the SBALQ method is validated through five numerical examples, demonstrating its capability to accurately and efficiently assess extremely small failure probabilities.
Introduction
In the realm of probabilistic structural reliability analysis, the computation of failure probability, denoted as \( P_f \), is a critical objective, defined through a multidimensional integral involving a joint probability density function and a performance function. Due to the complexity of real-world scenarios, analytical solutions are often unattainable, necessitating numerical approximations. Traditional numerical methods require extensive evaluations of the performance function, which can be computationally intensive. Recent advancements have led to the emergence of Bayesian active learning reliability analysis methods, which integrate Bayesian statistical inference with active learning techniques to enhance the efficiency of failure probability estimation.
This paper introduces a novel method termed ‘semi-Bayesian active learning quadrature’ (SBALQ), designed to effectively assess extremely low failure probabilities while facilitating parallel computing. Key contributions include a new stopping criterion based on the posterior mean of the failure probability, an innovative numerical integration technique called ‘hyper-shell simulation’ (HSS) for approximating complex integrals, and the development of new learning functions that enable multi-point selection during the active learning phase. The subsequent sections of the paper will review prior studies, detail the SBALQ method, and present numerical examples to demonstrate its efficacy.
Discussion
In this section, the authors discuss the integration of the Bayesian Failure Probability Inference (BFPI) framework with Bayesian active learning methods, specifically focusing on the newly proposed Semi-Bayesian Active Learning Quadrature (SBALQ) method. The BFPI framework is reformulated in the standard normal space, allowing for the application of Gaussian process (GP) priors to the performance function. The authors detail the process of obtaining the posterior distribution of the failure probability, emphasizing the role of hyper-parameters and the use of observation datasets to refine these estimates through maximizing log-marginal likelihood.
The SBALQ method builds upon existing partially Bayesian active learning cubature (PBALC) methods by using the posterior mean of the failure probability to establish both stopping criteria and learning functions. Unlike PBALC methods, SBALQ focuses on the denominator of the fractional term in the posterior mean, facilitating parallel computation. The stopping criterion is designed to assess the accuracy of the failure probability estimate, while the learning function aims to identify multiple informative points for evaluation, enhancing the efficiency of the active learning process. The authors also introduce a novel numerical integration technique, termed hyper-shell simulation (HSS), to approximate critical integrals involved in the stopping criterion, thereby improving the overall reliability analysis of structural systems with low failure probabilities.