DOI: https://doi.org/10.1016/j.probengmech.2024.103613
تاريخ النشر: 2024-03-26
المؤلف: Chao Dang وآخرون
الموضوع الرئيسي: تصميم هندسي احتمالي وقوي
نظرة عامة
يتناول هذا القسم إدخال تقنيات التعلم النشط بايزي في تحليل موثوقية الهياكل، مع تسليط الضوء على تطوير طريقة جديدة تُسمى “التعلم النشط بايزي شبه”. تهدف هذه الطريقة إلى معالجة التحديات المرتبطة بتحليل احتمالات الفشل الصغيرة جدًا من خلال الاستفادة من إطار بايزي المعدل. بشكل محدد، تستخدم تباينًا شبهً posterior لتخفيف المتطلبات الحسابية المرتبطة عادةً بحساب التباين posterior الدقيق للاحتمالات الفشل.
تشمل المكونات الرئيسية للطريقة المقترحة معيار توقف يعتمد على معامل التباين شبه posterior ودالة تعلم مستمدة من التباين شبه posterior. تتضمن دالة التعلم معلمة إضافية تسهل اختيار نقاط متعددة، مما يمكّن من المعالجة المتوازية. تظهر الاختبارات التجريبية على أربعة أمثلة عددية أن هذه الطريقة شبه بايزي تحقق تقييمات دقيقة وفعالة لاحتمالات الفشل الصغيرة جدًا، مما يشير إلى إمكاناتها للتطبيق الأوسع في تحليل موثوقية الهياكل.
مقدمة
تتناول مقدمة هذه الورقة البحثية المجال الحرج لتحليل موثوقية الهياكل، الذي يسعى إلى قياس احتمال فشل الهيكل مع الأخذ في الاعتبار عدم اليقين في خصائص المواد، والأبعاد، والأحمال. يُعرف احتمال الفشل، الذي يُشار إليه بـ \( P_f \)، رياضيًا كتكامل متعدد الأبعاد يتضمن دالة أداء \( g(\mathbf{x}) \) ودالة كثافة الاحتمال المشتركة \( f_{\mathbf{X}}(\mathbf{x}) \). يتم تصنيف طرق مختلفة لتقدير \( P_f \)، بما في ذلك الطرق المعتمدة على اللحظات، والطرق المعتمدة على الحفاظ على الاحتمالات، والطرق المدعومة بالبدائل، مع التركيز بشكل خاص على الاهتمام المتزايد في نماذج التعلم النشط ضمن الأساليب المدعومة بالبدائل.
تسلط الورقة الضوء على التقدم الكبير في طرق التعلم النشط بايزي لتحليل موثوقية الهياكل، متتبعة أصولها إلى أعمال بيشون وآخرين وإيشارد وآخرين. تفسر هذه الطرق تقدير احتمال الفشل كمشكلة استدلال بايزي، مستخدمةً أوليات العمليات الغاوسية وتطوير تقنيات مثل التكامل الاحتمالي للتعلم النشط (ALPI) والتكامل البايزي التكيفي المتوازي (PABQ). على الرغم من التقدم، لا تزال هناك تحديات، خاصة فيما يتعلق بالعبء الحسابي لحسابات التباين posterior الدقيق. لمعالجة هذه القضايا، يقترح المؤلفون طريقة جديدة تُسمى “التعلم النشط بايزي شبه” (QBALC)، التي تبسط حساب التباين posterior وتقدم معيار توقف جديد يعتمد على معامل التباين شبه posterior. تهدف الورقة إلى تعزيز تقييم احتمالات الفشل الصغيرة في تحليل موثوقية الهياكل، مع توقع أن توفر طريقة QBALC المقترحة نهجًا أكثر كفاءة وفعالية.
نقاش
يتناول هذا القسم إطار استدلال احتمال الفشل بايزي (BFPI)، الذي تم تكييفه من دراسة سابقة للعمل في الفضاء الطبيعي القياسي. يستخدم الإطار تحويلًا \( T \) لتحويل المتغيرات العشوائية الفيزيائية إلى متغيرات طبيعية قياسية، مما يسمح بتعريف دالة أداء محولة \( \mathcal{G}(\mathbf{U}) \). يُعبر عن احتمال الفشل \( P_f \) كتكامل يتضمن دالة مؤشر ودالة كثافة الاحتمال المشتركة (PDF) للمتغيرات المحولة. يستخدم إطار BFPI أوليات عملية غاوسية (GP) لدالة الأداء، تتميز بمتوسط ثابت ودالة تباين أسية مربعة، معلمات بواسطة معلمات فرعية عادةً ما تكون غير معروفة مسبقًا.
يستعرض القسم أيضًا عملية ضبط المعلمات الفرعية باستخدام مجموعة بيانات من الملاحظات، مع تعظيم الاحتمالية الهامشية اللوغاريتمية لاشتقاق إحصائيات posterior. تظل التوزيعة posterior لدالة الأداء GP، ويتم اشتقاق المتوسط والتباين posterior لاحتمال الفشل من خلال تكاملات تتضمن دالة التوزيع التراكمي الطبيعي الثنائي (CDF). يُلاحظ أن إطار BFPI لديه القدرة على قياس عدم اليقين العددي ودمج المعرفة السابقة، على الرغم من أنه يواجه تحديات بسبب عدم إمكانية حساب التباين posterior بشكل تحليلي، مما يعقد تطوير طرق التعلم النشط بايزي لتحليل الموثوقية. تهدف طريقة “التعلم النشط بايزي شبه” (QBALC) المقترحة إلى معالجة هذه التحديات من خلال تقديم معيار توقف يعتمد على تباين posterior مبسط ودالة تعلم تقوم بتحسين اختيار النقاط المفيدة لمزيد من الملاحظات.
DOI: https://doi.org/10.1016/j.probengmech.2024.103613
Publication Date: 2024-03-26
Author(s): Chao Dang et al.
Primary Topic: Probabilistic and Robust Engineering Design
Overview
The section discusses the introduction of Bayesian active learning techniques into structural reliability analysis, highlighting the development of a novel method termed ‘Quasi-Bayesian Active Learning Cubature’. This method aims to address the challenges associated with analyzing extremely small failure probabilities by leveraging a modified Bayesian framework. Specifically, it employs a quasi posterior variance to alleviate the computational demands typically associated with calculating the exact posterior variance of failure probabilities.
Key components of the proposed method include a stopping criterion based on the quasi posterior coefficient of variation and a learning function derived from the quasi posterior variance. The learning function incorporates an additional parameter that facilitates multi-point selection, enabling parallel processing. Empirical tests on four numerical examples demonstrate that this quasi-Bayesian approach effectively achieves accurate and efficient assessments of very small failure probabilities, indicating its potential for broader application in structural reliability analysis.
Introduction
The introduction of this research paper addresses the critical area of structural reliability analysis, which seeks to quantify the probability of structural failure while accounting for uncertainties in material properties, dimensions, and loads. The failure probability, denoted as \( P_f \), is defined mathematically as a multi-dimensional integral involving a performance function \( g(\mathbf{x}) \) and a joint probability density function \( f_{\mathbf{X}}(\mathbf{x}) \). Various methods for estimating \( P_f \) are categorized, including moment-based, probability conservation-based, and surrogate-assisted methods, with a particular emphasis on the growing interest in active learning paradigms within surrogate-assisted approaches.
The paper highlights significant advancements in Bayesian active learning methods for structural reliability, tracing their origins to works by Bichon et al. and Echard et al. These methods interpret failure probability estimation as a Bayesian inference problem, utilizing Gaussian process priors and developing techniques such as Active Learning Probabilistic Integration (ALPI) and the Parallel Adaptive Bayesian Quadrature (PABQ). Despite progress, challenges remain, particularly regarding the computational burden of exact posterior variance calculations. To address these issues, the authors propose a new method called Quasi-Bayesian Active Learning Cubature (QBALC), which simplifies the computation of posterior variance and introduces a novel stopping criterion based on the quasi posterior coefficient of variation. The paper aims to enhance the evaluation of small failure probabilities in structural reliability analysis, with the proposed QBALC method expected to provide a more efficient and effective approach.
Discussion
The section discusses the Bayesian Failure Probability Inference (BFPI) framework, which is adapted from a previous study to operate in standard normal space. The framework employs a transformation \( T \) to convert physical random variables into standard normal variables, allowing for the definition of a transformed performance function \( \mathcal{G}(\mathbf{U}) \). The failure probability \( P_f \) is expressed as an integral involving an indicator function and the joint probability density function (PDF) of the transformed variables. The BFPI framework utilizes a Gaussian Process (GP) prior for the performance function, characterized by a constant mean and a squared exponential covariance function, parameterized by hyperparameters that are typically unknown a priori.
The section also outlines the process of tuning hyperparameters using a dataset of observations, maximizing the log-marginal likelihood to derive posterior statistics. The posterior distribution of the performance function remains a GP, and the posterior mean and variance of the failure probability are derived through integrals involving the bivariate normal cumulative distribution function (CDF). The BFPI framework is noted for its ability to quantify numerical uncertainty and incorporate prior knowledge, although it faces challenges due to the analytical intractability of posterior variance calculations, which complicates the development of Bayesian active learning methods for reliability analysis. The proposed Quasi-Bayesian Active Learning Cubature (QBALC) method aims to address these challenges by introducing a stopping criterion based on a simplified posterior variance and a learning function that optimizes the selection of informative points for further observations.