Uncertainty Quantification of Engineering Structures by Polynomial Chaos Expansion and Multivariate Active Learning

기술 요약: 다항식 카오스 전개 및 다변량 능동 학습을 이용한 공학 구조물의 불확실성 정량화

문제 정의
많은 공학 응용 분야에서 고충실도 수치 모델(예: 유한 요소 모델)은 동일한 입력 매개변수 하에서 여러 개의 관심 정량(QoIs)을 동시에 생성합니다. 이러한 시스템의 불확실성 정량화(UQ)는 모델 평가를 수없이 많이 요구할 수 있으며, 이는 계산적으로 매우 비용이 많이 들 수 있습니다. 이를 완화하기 위해 대리 모델, 특히 다항식 카오스 전개(PCE)가 널리 사용됩니다. 그러나 PCE 대리 모델의 정확도는 실험 설계(ED), 즉 훈련 샘플 집합에 크게 의존합니다.

전통적인 정적 샘플링 전략(예: 라틴 하이퍼큐브 샘플링, 몬테카를로)은 사전에 모든 점을 선택합니다. 이는 단순한 경우에는 효과적이지만, 이전에 평가된 샘플로부터 얻은 정보를 활용하지 못한다는 단점이 있습니다. 이러한 한계는 다중 출력 문제에서 특히 두드러지는데, 서로 다른 출력값들은 입력 공간 전체에 걸쳐 서로 다른 민감도, 복잡성 또는 매끄러움을 보일 수 있기 때문입니다. 단일 정적 설계는 모든 출력을 동시에 적절하게 나타내지 못할 수 있습니다. 반대로, 각 출력에 대해 별도의 적응형 샘플링을 수행하는 것은 계산 비용을 증가시키고 데이터 불일치 위험을 초래합니다. Novák 등이 제안한 분산 기반 $\Theta$ 기준과 같은 기존의 적응형 기준은 단일 출력 문제를 위해 공식화되었으며, 효율성을 저해하거나 일관성을 해치지 않으면서 벡터 값 형태의 QoI로 직접 일반화되지 않습니다.

방법론
본 논문은 다중 출력 PCE 대리 모델 구축을 위한 일반화된 적응형 순차 샘플링 전략을 제안합니다. 핵심은 단일 출력 $\Theta$ 기준을 다중 출력 맥락으로 확장하는 것입니다.

1. 다중 출력 $\Theta$ 기준: 이 방법은 후보 풀(candidate pool)에서 "착취(exploitation, 높은 분산을 목표로 함)"와 "탐사(exploration, 공간적 커버리지를 보장함)" 사이의 균형을 맞추는 통합된 기준을 최대화하여 새로운 샘플을 선택합니다. 기준식은 다음과 같습니다:
   $$\Theta(\xi^{(c)}) = \left( \prod_{r=1}^{N_{out}} \frac{\sigma^2_r(\xi^{(c)})}{\max_{\xi^{(c)}_i \in S_c} \sigma^2_r(\xi^{(c)}_i)} \right)^{1/2} \times \left( \prod_{r=1}^{N_{out}} \frac{\sigma^2_r(\xi^{(s)})}{\max_{\xi^{(s)}_i \in S_s} \sigma^2_r(\xi^{(s)}_i)} \right)^{1/2} \times l_{c,s}^M$$
   여기서:

   • $\xi^{(c)}$는 후보 점이고 $\xi^{(s)}$는 현재 ED에서의 가장 가까운 이웃입니다.
   • $\sigma^2_r(\xi)$는 점 $\xi$에서의 $r$번째 출력의 국부적 분산 기여도를 나타냅니다.
   • 첫 번째 두 항은 모든 출력에 대한 정규화된 분산 집계를 구성하며, 고차원 공간에서 단순히 거리가 멀다는 이유만으로 후보가 선택되는 것을 방지하기 위해 기하 평균을 사용합니다.
   • $l_{c,s}$는 후보와 그 이웃 사이의 유클리드 거리로, 탐사 항 역할을 합니다.
   • $M$은 입력 벡터의 차원입니다.

2. 적응 과정: 알고리즘은 ED를 반복적으로 풍부하게 만듭니다. 작은 초기 설계를 시작으로 PCE 대리 모델을 구축한 다음, $\Theta$ 기준을 최대화하는 후보 풀에서 새로운 점들을 선택합니다. 이 과정은 중단 기준이 충족되거나 계산 예산이 소진될 때까지 계속됩니다.

3. 평가 지표: 성능은 평균 절대 오차(MAE), 최대 절대 오차($AE_{max}$), 상대 분산 오차($\epsilon_{var}$), 그리고 하나 빼기(Leave-One-Out, LOO) 교차 검증 오차($Q^2$)를 사용하여 평가됩니다.

주요 기여

• 적응형 샘플링의 일반화: 본 논문은 벡터 값 응답을 위한 다중 출력 PCE를 위한 순차적 적응형 샘플링 프레임워크를 일반화하여, 단일하고 일관된 ED를 구축해야 하는 과제를 해결했습니다.
• 정규화된 분산 집계: 여러 출력에 대한 분산 기여도를 집계하는 새로운 기준을 도입했습니다. 이 접근 방식은 고분산 영역의 불확실성을 줄이는 필요성(착취)과 공간적 커버리지를 유지하는 필요성(탐사) 사이의 균형을 맞춥니다.
• 출력 이질성 처리: 이 방법은 서로 다른 출력이 가질 수 있는 다양한 변동성 수준이나 근사 난이도를 고려하여, 개별 출력에 대한 별도의 샘플링으로 인한 비효률성을 피합니다.

결과
제안된 방법은 세 가지 수치 예제를 통해 검증되었습니다:

1. 2D 미러 라인 특이점(Mirror Line Singularities): 급격한 경사와 특이점을 가진 합성 함수입니다. $\Theta$ 기준은 라틴 하이퍼큐브 샘플링(LHS)에 비해 MAE 및 상대 분산 오차 측면에서 더 빠른 수렴을 보여주었습니다. 이 방법은 샘플을 특이 곡선 근처에 효과적으로 집중시켜, 균일한 LHS 설계가 놓친 국부적 특징을 포착했습니다. 또한 반복된 시행 간의 변동성을 줄이는 모습을 보였습니다.
2. 철근 콘크리트 보: 15개의 출력(굽힘 모멘트 및 전단력)과 8개의 무작위 변수를 포함하는 구조 공학 문제입니다. $\Theta$ 기준은 LHS에 비해 최악의 예측 오차($AE_{max}$)에서 우수한 정확도를 달고, 분산 추정에서 더 빠른 수렴을 달성했습니다. 또한 더 좁은 표준 편차 범위를 유지하여 높은 견고성을 입증했습니다.
3. 해상 풍력 터빈(OWT): 두 가지 케이스(풍력 유발 굽힘 모멘트 및 다중 물리 결합 변위)가 분석되었습니다. 두 경우 모두 $\Theta$ 기준은 최악의 오차에 대한 더 나은 제어력을 제공했으며, 참조 분산 값으로 더 빠르게 수렴했습니다. 이 방법은 제한된 샘플링 예산 하에서 극단적인 응답과 관련된 영역을 식별하는 데 특히 효과적이었습니다.

의의 및 주장
저자들은 제안된 다중 출력 $\Theta$ 기준이 PCE 대리 모델링을 위한 적응형 샘플링의 실용적이고 견고한 프레임워크를 제공한다고 주장합니다. 본 연구의 의의는 다음과 같습니다:

• 제한된 계산 예산 하에서 다중 출력 문제에 대한 대리 모델의 정확도와 안정성을 개선합니다.
• 정적 샘플링 방법인 LHS에 비해 2차 통계량(분산)의 더 신뢰할 수 있는 추정을 제공합니다.
• 반복 실행 간의 결과 변동성을 줄여 UQ 과정의 견고성을 높입니다.
• 고분산 또는 극단적 응답 영역을 효율적으로 식별하며, 이는 복잡한 공학 시스템의 신뢰성 분석 및 한계 상태 평가에 매우 중요합니다.

본 논문은 사전 정의된 후보 풀에 대한 의존성(매우 높은 차원의 문제에서 생성 비용이 많이 들 수 있음) 및 반복적인 희소 회귀 업데이트의 계산 오버헤드 가능성과 같은 한계점을 인정합니다. 향후 연구로는 주성분 분석(PCA)을 통한 명시적 상관관계 처리 및 다중 요소(multi-element) PCE와의 통합을 탐구할 것을 제안합니다.