DOI: https://doi.org/10.1016/j.strusafe.2024.102557
تاريخ النشر: 2024-12-07
المؤلف: Tong Zhou وآخرون
الموضوع الرئيسي: تصميم هندسي احتمالي وقوي
نظرة عامة
تقدم هذه المخطوطة طريقة جديدة للتعلم النشط القائم على بايزيان لتحليل الموثوقية تجمع بين تقدير احتمال الفشل القائم على بايزيان وعملية إثراء متعددة النقاط تعتمد على نظرية القرار. تقترح مقياس عدم اليقين المعرفي المعروف باسم احتمال الهامش المتكامل (IMP)، والذي يعمل كحد أعلى للانحراف المطلق المتوسط لاحتمال الفشل المقدر عبر كريجينغ. كما تعرف الطريقة وظيفة تعلم مسبقة، وهي تقليل الهامش المتعدد النقاط خطوة بخطوة (MSMR)، لتقييم الانخفاض المتوقع في IMP من خلال إضافة عينات جديدة.
تسهل تنفيذ عملية الإثراء متعددة النقاط المعتمدة على MSMR من خلال ثلاث استراتيجيات رئيسية: (أ) تبسيط MSMR إلى تكامل واحد بسبب القابلية التحليلية للتكامل الداخلي، (ب) حساب هذا التكامل عددياً باستخدام قطع عقلاني لمجموعة التكامل، و(ج) استخدام نهج استدلالي لاختيار دفعات جديدة من نقاط العينات بشكل فعال لكل تكرار، مع مخطط محدد أو تكيفي لحجم الدفعة. تظهر الطريقة المقترحة أداءً متفوقًا في مثالين مرجعيين ومشكلتين ديناميكيتين للموثوقية، محققة توازنًا ملائمًا بين استهلاك الموارد الحاسوبية والوقت. ومن الجدير بالذكر أن MSMR يتفوق على وظائف التعلم الحالية واستراتيجيات التوازي من حيث الدقة في تقدير احتمال الفشل، وعدد التكرارات، وتقييمات وظيفة الأداء، خاصة في سيناريوهات الموثوقية الديناميكية المعقدة.
مقدمة
في مجال تحليل الموثوقية الاحتمالية، الهدف الرئيسي هو تحديد احتمال الفشل للأنظمة الهندسية وسط عدم اليقين المرتبط بالخصائص الفيزيائية، والأحمال البيئية، وظروف التشغيل. يتم نمذجة هذه الشكوك باستخدام مجموعة من المتغيرات العشوائية، التي يُفترض عادةً أنها تتبع توزيع غاوسي قياسي. يتم تعريف حالة النظام بواسطة دالة أداء \( y = G(x) \)، حيث يحدث الفشل عندما \( G(x) \leq 0 \). يتم التعبير عن احتمال الفشل \( P_f \) كـ \( P_f = P(G(x) \leq 0) \)، والذي غالبًا ما يكون غير قابل للتحليل بسبب تعقيد \( G(x) \). وبالتالي، تم تطوير طرق عددية متنوعة، بما في ذلك المحاكاة العشوائية، والتقريبات التحليلية، وتقنيات التكامل العددي، وطرق مساعدة نموذج البديل، مع التركيز بشكل خاص على طرق موثوقية التعلم النشط (ALR) التي تقوم بتحسين نماذج البدائل من خلال تصاميم تجريبية تكيفية.
ظهرت مؤخرًا تقدمات في طرق موثوقية التعلم النشط القائم على بايزيان (BALR)، التي تعالج تقدير احتمال الفشل كمشكلة استدلال بايزي. تستخدم هذه الطرق نماذج قائمة على كريجينغ لاشتقاق إحصائيات لاحقة لاحتمال الفشل، بما في ذلك المتوسط والانحراف، حيث يعمل الأخير كمقياس لعدم اليقين المعرفي. ومع ذلك، فإن الحساب الدقيق لانحراف الاحتمال اللاحق يتطلب موارد حسابية كبيرة، مما يدفع لتطوير بدائل تبسط العملية. تقدم هذه الدراسة طريقة جديدة للموثوقية التعلم النشط القائم على بايزيان تتميز بوظيفة تعلم مسبقة فعالة من حيث التكلفة تُعرف بتقليل الهامش المتعدد النقاط خطوة بخطوة (MSMR). يقوم MSMR بتحديد الانخفاض المتوقع في احتمال الهامش المتكامل (IMP) عند إضافة عينات جديدة، مما يسهل عملية إثراء متعددة النقاط يمكنها تحديد أحجام الدفعات لعينة جديدة بشكل تكيفي. تشمل مساهمات هذا البحث إثبات IMP كحد أعلى فعال من حيث التكلفة لعدم اليقين المعرفي، وصياغة وظيفة تعلم MSMR، وتأسيس استراتيجية إثراء متعددة النقاط بسيطة تعزز الكفاءة الحسابية في تحليل الموثوقية.
نقاش
في هذا القسم، يناقش المؤلفون إطار التعلم والموثوقية القائم على بايزيان (BALR)، مع التركيز على منهجياته لاستدلال بايزيان لاحتمال الفشل ووظائف التعلم المرتبطة. يستخدم إطار BALR نماذج كريجينغ لتقدير دالة الأداء \( G(x) \) كعملية غاوسية، مما يسمح باشتقاق توزيعات لاحقة لمؤشرات الفشل والاحتمالات. يبرز المؤلفون التحديات الحسابية المرتبطة بوظائف التعلم الحالية واستراتيجيات التوازي، التي غالبًا ما تعتمد على تقييمات نقطة واحدة لا تأخذ في الاعتبار التأثير الأوسع للعينات الجديدة على مقاييس عدم اليقين المعرفي. تعقد هذه القيود من تحديد المكاسب المتوقعة من إضافة نقاط بيانات جديدة.
لمعالجة هذه القضايا، يقترح المؤلفون وظيفة تعلم مسبقة متعددة النقاط تُعرف بتقليل الهامش المتعدد النقاط خطوة بخطوة (MSMR). تم تصميم هذه الوظيفة لتحسين اختيار عينات جديدة متعددة من خلال تقييم تأثيرها المحتمل على تقليل عدم اليقين في تقديرات احتمال الفشل. يقدم المؤلفون منظورًا قائمًا على نظرية القرار البايزية لتأطير عملية اتخاذ القرار المتسلسلة المتأصلة في إطار BALR. كما يحددون التحديات الحسابية المرتبطة بتنفيذ MSMR، بما في ذلك قيود الذاكرة وحجم مجموعات المرشحين الكبير، ويقترحون استراتيجيات لتقليص مجموعات التكامل ومجموعات المرشحين لتعزيز الكفاءة الحسابية. بشكل عام، يبرز القسم تكامل الاستدلال البايزي مع وظائف التعلم المتقدمة لتحسين عملية تحليل الموثوقية.
DOI: https://doi.org/10.1016/j.strusafe.2024.102557
Publication Date: 2024-12-07
Author(s): Tong Zhou et al.
Primary Topic: Probabilistic and Robust Engineering Design
Overview
This manuscript introduces a novel Bayesian active learning reliability method that combines Bayesian failure probability estimation with a decision-theoretic multi-point enrichment process. It proposes an epistemic uncertainty measure known as integrated margin probability (IMP), which serves as an upper bound for the mean absolute deviation of failure probability estimated via Kriging. The method further defines a look-ahead learning function, multi-point stepwise margin reduction (MSMR), to evaluate the expected reduction in IMP from adding new samples.
The implementation of the MSMR-based multi-point enrichment process is facilitated through three main strategies: (a) simplifying the MSMR to a single integral due to the analytical tractability of the inner integral, (b) numerically computing this integral using rational truncation of the quadrature set, and (c) employing a heuristic approach to efficiently select optimal batches of new sample points per iteration, with a prescribed or adaptive scheme for batch size. The proposed method demonstrates superior performance in two benchmark examples and two dynamic reliability problems, achieving a favorable balance between computational resource consumption and time. Notably, the MSMR outperforms existing learning functions and parallelization strategies in terms of accuracy in failure probability estimation, iteration count, and performance function evaluations, particularly in complex dynamic reliability scenarios.
Introduction
In the realm of probabilistic reliability analysis, the primary objective is to determine the failure probability of engineering systems amidst uncertainties related to physical properties, environmental loads, and operational conditions. These uncertainties are modeled using a set of random variables, typically assumed to follow a standard Gaussian distribution. The system’s state is defined by a performance function \( y = G(x) \), with failure occurring when \( G(x) \leq 0 \). The failure probability \( P_f \) is expressed as \( P_f = P(G(x) \leq 0) \), which is often analytically intractable due to the complexity of \( G(x) \). Consequently, various numerical methods have been developed, including stochastic simulations, analytical approximations, numerical integration techniques, and surrogate model-assisted methods, with particular emphasis on active learning reliability (ALR) methods that refine surrogate models through adaptive experimental designs.
Recent advancements in Bayesian active learning reliability (BALR) methods have emerged, treating failure probability estimation as a Bayesian inference problem. These methods utilize Kriging-based models to derive posterior statistics of failure probability, including mean and variance, with the latter serving as a measure of epistemic uncertainty. However, the exact computation of posterior variance is computationally intensive, prompting the development of alternatives that simplify the process. This study introduces a novel parallel Bayesian active learning reliability method featuring a cost-effective look-ahead learning function called multi-point stepwise margin reduction (MSMR). The MSMR quantifies the expected reduction in integrated margin probability (IMP) when new samples are added, facilitating a multi-point enrichment process that can adaptively determine batch sizes for new samples. The contributions of this research include proving the IMP as a computationally efficient upper bound for epistemic uncertainty, formulating the MSMR learning function, and establishing a straightforward multi-point enrichment strategy that enhances computational efficiency in reliability analysis.
Discussion
In this section, the authors discuss the Bayesian Adaptive Learning and Reliability (BALR) framework, focusing on its methodologies for Bayesian inference of failure probability and the associated learning functions. The BALR framework utilizes Kriging models to estimate the performance function \( G(x) \) as a Gaussian process, allowing for the derivation of posterior distributions for failure indicators and probabilities. The authors highlight the computational challenges associated with existing learning functions and parallelization strategies, which often rely on single-point evaluations that do not account for the broader impact of new samples on epistemic uncertainty measures. This limitation complicates the quantification of expected gains from adding new data points.
To address these issues, the authors propose a multi-point look-ahead learning function called Multi-Point Stepwise Margin Reduction (MSMR). This function is designed to optimize the selection of multiple new samples by evaluating their potential impact on reducing uncertainty in failure probability estimates. The authors introduce a Bayesian decision-theoretic perspective to frame the sequential decision-making process inherent in the BALR framework. They also outline the computational challenges associated with implementing the MSMR, including memory constraints and the vast size of candidate pools, and propose strategies for truncating quadrature sets and candidate pools to enhance computational efficiency. Overall, the section emphasizes the integration of Bayesian inference with advanced learning functions to improve the reliability analysis process.