💻 computer science

Embedded Model Form Uncertainty Quantification with Measurement Noise for Bayesian Model Calibration

Dit artikel introduceert een verbeterde Bayesiaanse raamwerk voor modelkalibratie dat meetruis en modelonvolkomenheden expliciet adresseert door een interpreteerbare inadequacy-term in te bouwen, waardoor de onzekerheid in voorspellingen betrouwbaarder wordt gekwantificeerd en doorgegeven aan andere grootheden van belang.

Oorspronkelijke auteurs: Daniel Andrés Arcones, Martin Weiser, Phaedon-Stelios Koutsourelakis, Jörg F. Unger

Gepubliceerd 2026-02-25

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Daniel Andrés Arcones, Martin Weiser, Phaedon-Stelios Koutsourelakis, Jörg F. Unger

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een zeer slimme, digitale tweeling (een "Digital Twin") bouwt van een echt gebouw, zoals een brug of een betonnen constructie. Je wilt met deze digitale versie precies kunnen voorspellen hoe het echte gebouw zich gedraagt als het warm wordt of als er een zware vrachtwagen overheen rijdt.

Om dit te doen, moet je de digitale versie "kalibreren". Je kijkt naar echte metingen van sensoren in het echte gebouw en past de instellingen van je digitale model aan zodat hij zo goed mogelijk overeenkomt met de realiteit.

Het probleem: De digitale versie is nooit perfect
Zelfs als je de instellingen perfect aanpast, klopt je digitale model nooit 100% met de werkelijkheid. Waarom?

Ruis: De sensoren in het echte gebouw zijn niet perfect; ze maken kleine meetfouten (net als een trillende camera).
Modelfouten: Je digitale model is een vereenvoudiging. Je kunt de oneindige complexiteit van de echte wereld niet 100% nabootsen in een computer. Misschien heb je vergeten dat er een stalen wapening in het beton zit, of is de vorm net iets anders dan je dacht.

In het verleden probeerden wetenschappers dit op te lossen door simpelweg te zeggen: "Ons model is fout, laten we de onzekerheid maar groot maken." Maar dat leidde vaak tot twee problemen:

Het model werd te zelfverzekerd (te smal) en gaf geen ruimte voor de echte fouten.
Als je het model gebruikte om iets anders te voorspellen (bijvoorbeeld hoeveel warmte er door de muur stroomt, terwijl je alleen temperatuur had gemeten), verdween de onzekerheid. Het model gaf dan een vals gevoel van zekerheid.

De oplossing: De "Ingebouwde Fout" (Embedded Bias)
De auteurs van dit paper hebben een nieuwe, slimme manier bedacht om dit op te lossen. Ze noemen het "Embedded Model Bias Quantification".

Stel je voor dat je een auto bouwt die perfect moet rijden op een weg met gaten.

De oude manier: Je zegt: "De weg is perfect glad, maar mijn auto heeft een trillend stuur." Je past de auto aan, maar als je hem later op een andere weg zet, weet je niet hoe hij daar reageert.
De nieuwe manier (van dit paper): Je zegt: "Mijn auto heeft een ingebouwde 'wankel-rem' die ik kan aanpassen." Je voegt een extra, willekeurige variabele toe aan de motorinstellingen. Deze variabele vertegenwoordigt de onbekende fouten in je ontwerp.

Door deze "wankel-rem" (de onzekerheid) direct in de motorinstellingen te bouwen, gebeurt er iets magisch:

Betere aanpassing: Het model leert niet alleen de perfecte instellingen, maar ook hoe groot de fouten in zijn eigen ontwerp zijn.
Betrouwbare voorspellingen: Als je nu met dit model een andere taak doet (bijvoorbeeld: "Hoe heet wordt de motor?"), neemt het de onzekerheid van die "wankel-rem" mee. Je krijgt dus een voorspelling met een realistisch waarschuwingsbordje: "Dit is het antwoord, maar wees voorzichtig, want ons model is niet perfect."

De vier nieuwe regels voor het spel (Likelihoods)
Het paper introduceert vier nieuwe manieren (regels) om te beslissen hoe goed je model past bij de echte metingen, rekening houdend met de sensorruis.

De "Strikte Regelaar" (ABC): Deze probeert de gemiddelde waarden en de spreiding exact te laten kloppen. Het is heel gevoelig. Als je de sensorruis (de meetfouten) niet perfect kent, gaat dit model in de war en geeft het verkeerde antwoorden.
De "Globale Kijker" (GMM): Deze kijkt niet naar elk meetpunt apart, maar naar het hele plaatje. Hij vraagt: "Is de spreiding van al mijn meetpunten samen logisch?" Dit is stabieler, maar kan soms wat minder precies zijn bij specifieke uitschieters.
De "Verhoudings-Kijker" (RGMM): Dit is een verbeterde versie van de globale kijker. Hij kijkt naar de verhouding tussen de fout en de verwachte spreiding. Dit werkt heel goed als sommige metingen veel onzekerder zijn dan andere (bijvoorbeeld als de sensor in de hitte meer trilt dan in de kou).
De "Onafhankelijke Kijker" (IN): Deze gaat ervan uit dat elke meting zijn eigen onafhankelijke fout heeft. Dit is vaak de meest robuuste methode als je niet zeker weet hoe de fouten zich gedragen.

Wat hebben ze getest?
Ze hebben dit getest op twee manieren:

Een simpele test: Een rechte lijn trekken door een wazig punt. Hier zagen ze dat de "Strikte Regelaar" (ABC) snel fouten maakte als de ruis niet perfect was ingevoerd, terwijl de andere methoden (vooral RGMM en IN) veel stabieler bleven.
Een echte uitdaging: Een simulatie van een betonnen cilinder die opwarmt. Ze wisten dat het echte beton wapening had (stalen staafjes), maar hun computermodel wist dat niet.
- Zonder hun nieuwe methode: Het model gaf een voorspelling voor de warmtestroom die heel zeker leek, maar volledig verkeerd was.
- Met hun nieuwe methode: Het model gaf een voorspelling met een breed bereik. Het bereik was groot genoeg om de echte waarde te bevatten. Het zei eigenlijk: "We denken dat het zo is, maar omdat we niet weten waar de stalen staafjes zitten, kan het ook iets anders zijn."

De conclusie in het kort
Deze paper zegt: "Stop met het doen alsof je computermodellen perfect zijn. Bouw de fouten van je model direct in de instellingen in. Gebruik de juiste 'kijk-regel' (likelihood) afhankelijk van hoe ruisig je data is. Dan krijg je voorspellingen die niet alleen een antwoord geven, maar ook eerlijk vertellen hoe betrouwbaar dat antwoord is."

Dit is cruciaal voor de toekomst van "Digital Twins" in de bouw en industrie, waar we op basis van computersimulaties levensbelangrijke beslissingen nemen.

Titel: Geïntegreerde Kwantificering van Modelbias met Meetruis voor Bayesiaanse Modelkalibratie

Auteurs: Daniel Andrés Arcones, Martin Weiser, Phaedon-Stelios Koutsourelakis, Jörg F. Unger.
Publicatiedatum: 23 juni 2025 (arXiv).

1. Probleemstelling

Bij het modelleren van fysische systemen is het nauwkeurig kalibreren van modelparameters op basis van waarnemingsdata cruciaal. Traditionele Bayesiaanse methoden kampen echter met twee fundamentele problemen wanneer ze worden toegepast op onnauwkeurige modellen (modellen met "model inadequacy"):

Oververzekerdheid (Overconfidence): Als een model systematische fouten bevat (bijv. door vereenvoudigingen), leiden klassieke Bayesiaanse inferenties vaak tot posterior-verdelingen van parameters die samenkomen tot Dirac-delta functies (zeer smal). Dit resulteert in voorspellingen die de waargenomen data niet goed kunnen reproduceren en onrealistisch kleine onzekerheidsmarges geven.
Beperkte Propagatie: Bestaande methoden om modelbias te corrigeren (zoals de benadering van Kennedy en O'Hagan) voegen een correctieterm toe aan de voorspelling zelf. Deze correctie is echter lokaal en kan niet worden doorgegeven naar andere Belangrijke Grootheden (Quantities of Interest - QoI) die worden berekend met dezelfde modelparameters maar een andere uitkomstvariabele. Hierdoor blijft de onzekerheid in deze afgeleide grootheden ondergewaardeerd.

Daarnaast worden bestaande methoden vaak beïnvloed door een verkeerde specificatie van de meetruis (measurement noise), wat leidt tot vertekende resultaten.

2. Methodologie

Het artikel introduceert een geïntegreerde (embedded) benadering waarbij de modelinadequacy niet als een externe correctie, maar als een stochastische uitbreiding van de modelparameters zelf wordt gemodelleerd.

A. Geïntegreerde Modelinadequacy (Embedded Approach)

In plaats van een externe correctieterm toe te voegen, wordt de parameter $\theta$ vervangen door een stochastische variabele $\tilde{\theta}$ :
$\tilde{\theta} = \theta_m + \delta(\theta_b)$
Waarbij:

$\theta_m$ de deterministische component is.
$\delta(\theta_b)$ een parametergestuurde, nul-gemiddelde stochastische variabele is die de modelbias vertegenwoordigt (bijv. $\delta \sim \mathcal{N}(0, \text{diag}(\theta_b))$ ).
$\theta_b$ de grootte van de onzekerheid (variatie) per parameter regelt.

Dit maakt het model stochastisch. De onzekerheid wordt via Polynomial Chaos Expansions (PCE) door het model gepropageerd, wat een efficiënte manier biedt om de statistische momenten (gemiddelde en variantie) van de respons te berekenen zonder duizenden Monte Carlo-simulaties uit te voeren.

B. Likelihood-functies en Meetruis

Omdat de modelrespons nu stochastisch is, kunnen klassieke Gaussische likelihood-functies niet direct worden gebruikt. Het artikel vergelijkt en past vier likelihood-functies aan om meetruis expliciet te behandelen:

ABC-Likelihood (met ruis): Gebaseerd op Approximate Bayesian Computation, waarbij statistische momenten worden gematcht. Het artikel past de parameter $\gamma$ aan ( $\gamma = \sqrt{\pi/2}$ ) om de relatie tussen het gemiddelde residu en de standaardafwijking correct te modelleren.
Onafhankelijke Normale Likelihood (IN): Past een Gaussische likelihood toe waarbij de voorspelde variantie wordt gecombineerd met de meetruis.
Global Moment-matching (GMM): Een nieuwe methode die de residuals van alle meetpunten samen als een steekproef uit een mengselverdeling (Gaussian Mixture Model) behandelt. Dit matcht het gemiddelde en de variantie van de gehele dataset, niet punt-voor-punt.
Relative Global Moment-matching (RGMM): Een variant van GMM die de residuals normaliseert door de voorspelde variantie. Dit maakt de methode robuuster tegen heteroscedastische ruis (ruis die varieert per meetpunt) en outliers.

C. Propagatie naar QoI

Een kernaspect van de methode is dat de volledige posterior-verdeling van de parameters ( $\theta_m, \theta_b$ ) wordt doorgegeven naar andere QoI's (bijv. warmtestroom in plaats van temperatuur). Omdat de bias in de parameters zit, wordt de onzekerheid automatisch meegenomen in elke berekening die deze parameters gebruikt, wat leidt tot betrouwbaardere onzekerheidsmarges voor alle uitkomsten.

3. Belangrijkste Bijdragen

Interpreteerbare Embedding: In tegenstelling tot eerdere methoden (zoals Sargsyan et al.) die complexe polynoomexpansies gebruiken, biedt de voorgestelde additieve vorm een directe interpretatie van de onzekerheid per parameter.
Expliciete Behandeling van Meetruis: Het artikel analyseert grondig hoe een verkeerde specificatie van meetruis de inferentie beïnvloedt en past de likelihood-functies (vooral ABC) aan om dit te corrigeren.
Nieuwe Likelihood-functies: Introductie van GMM en RGMM om de gevoeligheid van bestaande methoden voor ruis en outliers te verminderen.
Propagatie-analyse: Het demonstreert hoe onzekerheid in modelinadequacy correct kan worden doorgegeven naar niet-geobserveerde QoI's, wat essentieel is voor betrouwbare Digital Twins.

4. Resultaten

De methode werd getest op twee casussen:

A. Lineair Voorbeeld (1D)

Doel: Vergelijking van de vier likelihood-functies onder gecontroleerde omstandigheden (verschillende ruisniveaus, offsets en outliers).
Vondsten:
- De ABC-likelihood is zeer gevoelig voor verkeerd gespecificeerde ruis en neigt tot overfitting op specifieke datasets.
- GMM en RGMM tonen een robuustere prestatie bij ruis en offsets.
- RGMM en IN presteren goed bij outliers, hoewel RGMM iets gevoeliger is voor outliers op punten met lage voorspelde variantie.
- De geïntegreerde aanpak voorkomt dat de posterior-verdeling instort tot een punt, waardoor de voorspellingen de waarnemingen beter omvatten.

B. Transiente Thermische Simulatie (Gewapend Beton)

Doel: Kalibratie van thermische diffusiviteit in een betonnen constructie met een verborgen wapening (die het model niet kent) en voorspelling van de cumulatieve warmtestroom.
Vindst:
- Zonder modelinadequacy-term leverde het model een oververzekerde voorspelling op die de werkelijke warmtestroom miste.
- Met de embedded aanpak kon de onzekerheid door de modelbias (door de wapening) worden gekwantificeerd.
- De voorspelde warmtestroom-distributie omhulde de werkelijke waarde betrouwbaar.
- De keuze van de likelihood-functie had weinig invloed op het gemiddelde, maar wel op de spreiding (onzekerheid) van de resultaten.

5. Betekenis en Conclusie

Dit onderzoek biedt een significante stap voorwaarts in het kwantificeren en propageren van onzekerheid in complexe simulatiemodellen.

Betrouwbaarheid: Door modelbias in de parameters te embedden, worden voorspellingen minder oververzekerd en realistischer.
Digital Twins: De methode maakt het mogelijk om onzekerheid in een Digital Twin te koppelen aan elke gewenste uitkomstvariabele (QoI), niet alleen aan de variabelen die direct zijn gemeten.
Praktische Toepassing: De studie benadrukt dat de keuze van de likelihood-functie cruciaal is. Voor datasets met onzekerheid over de ruis of outliers zijn GMM en RGMM vaak superieur aan de traditionele ABC-benadering.

De auteurs concluderen dat hoewel de rekenkosten stijgen door de noodzaak van PCE en MCMC, de winst in betrouwbaarheid en de mogelijkheid tot robuuste besluitvorming op basis van onzekerheidsanalyse dit ruimschoots rechtvaardigt. Toekomstig werk richt zich op het toepassen van deze methoden op echte meetdata en het onderzoeken van gecorreleerde modelinadequacy tussen meerdere parameters.