DOI: https://doi.org/10.1016/j.ress.2025.111504
تاريخ النشر: 2025-08-05
المؤلف: Yuri Taglieri Sáo وآخرون
الموضوع الرئيسي: تصميم هندسي احتمالي وقوي
نظرة عامة
تناقش ورقة البحث التقدمات في تحليل الحساسية العالمية (GSA)، مع التركيز بشكل خاص على حساب خرائط الحساسية (SM) باستخدام مؤشرات سوبول. يقترح المؤلفون نهجًا جديدًا يستخدم توسعات الأساس لتعزيز كفاءة حسابات SM، لا سيما في نماذج المخرجات عالية الأبعاد. يستخرجون تعبيرات مغلقة لشبكات سوبول’ SM بالنسبة لمؤشرات سوبول ذات القيم المصفوفية لمعاملات الأساس ويقدمون مقدرات pick-freeze (PF)، التي تظهر خصائص إحصائية ملائمة لتقدير مؤشرات سوبول من أي ترتيب. تظهر المنهجية توفيرات حسابية كبيرة مقارنة بالطرق التقليدية حسب الأبعاد، مما يمكّن من حساب كل من SM وحدود الثقة الخاصة بها في الوقت المناسب.
في تطبيقاتهم، يستخدم المؤلفون مقدر PF المستمد من الأساس في سياقين: حالة اختبار تحليلية ونموذج لتدفق كسر سد مثالي يتضمن هيدروليكيات غير نيوتونية. تشير النتائج إلى أن هذا النهج يقلل بشكل فعال من الأبعاد مع الحفاظ على الدقة، حتى مع حجم محدود من تصميم التجارب (DoE). من الجدير بالذكر أن طريقة PF المستمدة من الأساس تستعيد بنجاح SM النظرية بدقة مقبولة وتوفر سلاسل زمنية مستمرة لمؤشرات سوبول، كاشفة عن التأثير الديناميكي للمتغيرات المدخلة على مر الزمن. تختتم الدراسة بأن خصائص السوائل غير النيوتونية تسهم بشكل كبير في تباين المخرجات، مما يبرز الطبيعة العابرة للظواهر قيد التحقيق.
مقدمة
تناقش مقدمة الورقة تحليل الحساسية العالمية (GSA)، وهو مجموعة من التقنيات المستخدمة لنسب عدم اليقين في مخرجات النموذج إلى عدم اليقين في المتغيرات المدخلة. يعتبر GSA أمرًا حيويًا لفهم أي المدخلات تؤثر بشكل كبير على تباين المخرجات، مما يساعد في التحقق من صحة النموذج، والمعايرة، واتخاذ القرارات. تؤكد الورقة على أهمية الطرق المعتمدة على التباين ضمن GSA، والتي تستخدم التباين كمقياس لعدم اليقين وتسمح بحساب مؤشرات سوبول – مؤشرات الحساسية التي تقيس تأثير المتغيرات المدخلة وتفاعلاتها على تباين المخرجات.
يبرز المؤلفون التحديات المرتبطة بتطبيق GSA على المخرجات عالية الأبعاد، مثل المخرجات الوظيفية التي تنتج سلاسل أو خرائط من مؤشرات سوبول. تُلاحظ مقدرات العينة التقليدية، وخاصة نظام “pick-freeze” (PF)، لتطبيقها العام ولكنها مصممة أساسًا للمخرجات العددية. لمعالجة الأبعاد العالية، تقترح الورقة “نهج مستمد من الأساس” يستفيد من توسعات الأساس وتقنيات النمذجة الميتاموديل لتقدير مؤشرات سوبول بكفاءة. يظهر أن هذا النهج أقل تطلبًا حسابيًا من الطريقة التقليدية حسب الأبعاد، مما يسمح بتقدير خرائط الحساسية (SMs) وحدود ثقتها في إطار زمني معقول. توضح الورقة هيكلها، مشيرة إلى أن الأقسام التالية ستتناول الأسس النظرية، والمساهمات في أنظمة PF، والتطبيقات العملية.
طرق
في هذا القسم، يستخدم المؤلفون تحليل الحساسية العالمية (GSA) لتقييم تأثير المعلمات المدخلة على المخرجات الوظيفية للنموذج. بشكل محدد، يستخدمون مؤشرات سوبول، التي تقيس مساهمة كل متغير مدخل في تباين المخرجات، مما يسمح بفهم شامل لتفاعلات المعلمات وتأثيراتها على سلوك النموذج.
تتضمن المنهجية تقنيات pick-freeze، حيث يتم تثبيت بعض المعلمات بينما يتم تغيير أخرى، مما يسهل عزل التأثيرات الفردية على المخرجات. بالإضافة إلى ذلك، تُطبق طرق توسعة الأساس لتعزيز تمثيل فضاء المدخلات، مما يحسن دقة وكفاءة تحليل الحساسية. يمكّن هذا النهج من تحديد المعلمات الحرجة التي تؤثر بشكل كبير على أداء النموذج، مما يوفر رؤى قيمة لمزيد من البحث وتحسين النموذج.
نتائج
في هذا القسم، استخدم المؤلفون إجراءً يتضمن تصميم التجارب (DoE) وتحليل المكونات الرئيسية (PCA) لتحليل المخرجات، مما أدى إلى أساس لنمذجة الانحدار لعملية غاوسية (GPR). تم تقييم دقة التنبؤ باستخدام 11 DoE بأحجام عينات متغيرة (100 ≤ \(n_T\) ≤ 200)، مما كشف أن درجة Q² تحسنت مع زيادة حجم العينة، حيث بلغت ذروتها عند حوالي \(n_T = 170\) قبل أن تستقر. تم تحقيق أعلى دقة مع \(n_T = 200\)، مما أسفر عن درجة Q² تبلغ حوالي 0.92، والتي تعتبر مقبولة للتحليل.
استخدم تحليل الحساسية العالمية (GSA) مؤشرات سوبول لتقييم تأثير المتغيرات المدخلة المختلفة على الانسياب \(x_f\). أشارت النتائج إلى أن اللزوجة البلاستيكية (\(\mu_B\)) كانت المتغير الأكثر تأثيرًا، تليها إجهاد الخضوع (\(\tau_c\))، والارتفاع الابتدائي (\(H\))، والكثافة (\(\rho\))، وسرعة الرفع (\(V_L\)). كانت حساسية هذه المتغيرات متغيرة على مر الزمن؛ على سبيل المثال، كانت \(V_L\) و \(H\) أكثر أهمية في بداية السلسلة الزمنية، بينما اكتسبت \(\tau_c\) أهمية لاحقًا، مما يتماشى مع مبادئ ميكانيكا السوائل غير النيوتونية. أكدت مؤشرات الحساسية العامة (GSI) هذه النتائج، مؤكدة هيمنة \(\mu_B\) و \(\tau_c\) في التأثير على الانسياب، مع تأثيرات تفاعلية ضئيلة بين المتغيرات. تم تسليط الضوء أيضًا على الكفاءة الحسابية للنهج المستمد من الأساس، مما يظهر مكسبًا نظريًا يبلغ 252 مرة ومكسبًا عمليًا يبلغ حوالي 35 مرة مقارنة بالطرق التقليدية.
مناقشة
يتناول القسم تحليل تفكيك سوبول-هوفدين ومؤشرات سوبول في سياق تحليل الحساسية للدوال ذات القيم العددية. يبدأ بتعريف متجه من المتغيرات المدخلة \( X = (X_1, \ldots, X_d) \) مع عدم اليقين المرتبط بها الذي يتم نمذجته كمتغيرات عشوائية مستقلة. يتم التعامل مع مخرجات النموذج \( Y = f(X) \) كمتغير عشوائي، ويسمح تفكيك سوبول-هوفدين بتمثيل فريد لـ \( f(X) \) كمجموع من الحدود ذات التعقيد المتزايد. يؤدي هذا التفكيك إلى صيغة تفكيك التباين، مما يمكّن من قياس حساسية كل متغير مدخل وتفاعلاتهم من خلال مؤشرات سوبول. يتناول القسم أنواعًا مختلفة من مؤشرات سوبول، بما في ذلك المؤشرات من الدرجة الأولى، والمغلقة، والإجمالية، والثانية، ويؤكد على أهميتها في فهم مساهمات المتغيرات المدخلة في تباين المخرجات.
تتوسع المناقشة أكثر في مقدرات pick-freeze (PF) لتقدير مؤشرات سوبول، مع تسليط الضوء على خصائصها الإحصائية مثل الاتساق والطبيعة الأسيمتوتية. يتضمن نظام PF تقييم مخرجات النموذج مرتين، مرة مع متغيرات مدخلة ثابتة ومرة مع مجموعة مختلفة من المتغيرات العشوائية، مما يسمح بحساب مؤشرات سوبول المغلقة من خلال التغاير. يقدم القسم أيضًا امتدادات لهذه المقدرات للدوال ذات القيم المتجهة ويعرض مقارنات تكاليف حسابية بين الطرق حسب الأبعاد والنهج المستمد من الأساس لتقدير مؤشرات سوبول. تشير النتائج إلى أن النهج المستمد من الأساس يقدم مزايا حسابية كبيرة، لا سيما في سيناريوهات المخرجات عالية الأبعاد، مع الحفاظ على الدقة في تحليل الحساسية.
DOI: https://doi.org/10.1016/j.ress.2025.111504
Publication Date: 2025-08-05
Author(s): Yuri Taglieri Sáo et al.
Primary Topic: Probabilistic and Robust Engineering Design
Overview
The research paper discusses advancements in global sensitivity analysis (GSA), specifically focusing on the computation of sensitivity maps (SM) using Sobol’ indices. The authors propose a novel approach that utilizes basis expansions to enhance the efficiency of SM calculations, particularly in high-dimensional output models. They derive closed-form expressions for Sobol’ SM in relation to matrix-valued Sobol’ indices of basis coefficients and introduce pick-freeze (PF) estimators, which exhibit favorable statistical properties for estimating Sobol’ indices of any order. The methodology demonstrates significant computational savings compared to traditional dimension-wise approaches, enabling the calculation of both SM and their bootstrap confidence bounds in a timely manner.
In their applications, the authors employ the basis-derived PF estimator in two contexts: an analytical test case and a model of an idealized dam-break flow involving non-Newtonian hydraulics. The results indicate that this approach effectively reduces dimensionality while maintaining accuracy, even with a limited design of experiments (DoE) size. Notably, the basis-derived PF method successfully recovers theoretical SMs with acceptable accuracy and provides continuous time series of Sobol’ indices, revealing the dynamic influence of input variables over time. The study concludes that non-Newtonian fluid characteristics significantly contribute to output variance, highlighting the transient nature of the phenomena under investigation.
Introduction
The introduction of the paper discusses Global Sensitivity Analysis (GSA), a set of techniques used to attribute the uncertainty in model outputs to uncertainties in input variables. GSA is crucial for understanding which inputs significantly affect output variability, aiding in model validation, calibration, and decision-making. The paper emphasizes the importance of variance-based methods within GSA, which utilize variance as a measure of uncertainty and allow for the calculation of Sobol’ indices—sensitivity indices that quantify the influence of input variables and their interactions on output variability.
The authors highlight the challenges associated with applying GSA to high-dimensional outputs, such as functional outputs that produce series or maps of Sobol’ indices. Traditional sampling-based estimators, particularly the “pick-freeze” (PF) scheme, are noted for their general applicability but are primarily designed for scalar outputs. To address high-dimensionality, the paper proposes a “basis-derived approach” that leverages basis expansions and metamodeling techniques to efficiently estimate Sobol’ indices. This approach is shown to be less computationally demanding than the conventional dimension-wise method, allowing for the estimation of sensitivity maps (SMs) and their confidence bounds in a reasonable timeframe. The paper outlines its structure, indicating subsequent sections will delve into theoretical foundations, contributions to PF schemes, and practical applications.
Methods
In this section, the authors employ Global Sensitivity Analysis (GSA) to assess the influence of input parameters on functional outputs of the model. Specifically, they utilize Sobol’ indices, which quantify the contribution of each input variable to the output variance, allowing for a comprehensive understanding of parameter interactions and their effects on model behavior.
The methodology incorporates Pick-freeze techniques, where certain parameters are held constant while others are varied, facilitating the isolation of individual effects on the outputs. Additionally, basis expansion methods are applied to enhance the representation of the input space, thereby improving the accuracy and efficiency of the sensitivity analysis. This approach enables the identification of critical parameters that significantly impact the model’s performance, providing valuable insights for further research and model refinement.
Results
In this section, the authors employed a procedure involving Design of Experiments (DoE) and Principal Component Analysis (PCA) to analyze the outputs, resulting in a basis for Gaussian Process Regression (GPR) metamodeling. The evaluation of prediction accuracy was conducted using 11 DoEs with varying sample sizes (100 ≤ \(n_T\) ≤ 200), revealing that the Q² score improved with increasing sample size, peaking at approximately \(n_T = 170\) before stabilizing. The highest accuracy was achieved with \(n_T = 200\), yielding a Q² score of approximately 0.92, which is deemed acceptable for the analysis.
The Global Sensitivity Analysis (GSA) utilized Sobol’ indices to assess the influence of various input variables on the runout \(x_f\). Results indicated that plastic viscosity (\(\mu_B\)) was the most influential variable, followed by yield stress (\(\tau_c\)), initial height (\(H\)), density (\(\rho\)), and lifting velocity (\(V_L\)). The sensitivity of these variables varied over time; for instance, \(V_L\) and \(H\) were more significant at the beginning of the time series, while \(\tau_c\) gained importance later, aligning with the principles of non-Newtonian fluid mechanics. The Generalized Sensitivity Indices (GSI) corroborated these findings, confirming the dominance of \(\mu_B\) and \(\tau_c\) in influencing the runout, with minimal interaction effects among variables. The computational efficiency of the basis-derived approach was also highlighted, demonstrating a theoretical gain of 252 times and a practical gain of approximately 35 times compared to traditional methods.
Discussion
The section discusses the Sobol-Hoeffding decomposition and Sobol’ indices in the context of sensitivity analysis for scalar-valued functions. It begins by defining a vector of input variables \( X = (X_1, \ldots, X_d) \) with associated uncertainties modeled as independent random variables. The model output \( Y = f(X) \) is treated as a random variable, and the Sobol-Hoeffding decomposition allows for a unique representation of \( f(X) \) as a sum of terms with increasing complexity. This decomposition leads to a variance decomposition formula, enabling the quantification of the sensitivity of each input variable and their interactions through Sobol’ indices. The section details various types of Sobol’ indices, including first-order, closed, total, and second-order indices, and emphasizes their significance in understanding the contributions of input variables to the output variance.
The discussion further elaborates on the pick-freeze (PF) estimators for estimating Sobol’ indices, highlighting their statistical properties such as consistency and asymptotic normality. The PF scheme involves evaluating the model output twice, once with fixed input variables and once with a different set of random variables, allowing for the calculation of closed Sobol’ indices through covariance. The section also introduces extensions of these estimators for vector-valued functions and presents computational cost comparisons between dimension-wise and basis-derived approaches for estimating Sobol’ indices. The findings suggest that the basis-derived approach offers significant computational advantages, particularly in high-dimensional output scenarios, while maintaining accuracy in sensitivity analysis.