Comparison of random field discretizations for high-resolution Bayesian parameter identification in finite element elasticity

Technische Samenvatting: Vergelijking van Discretisaties van Stochastische Velden voor Bayesiaanse Parameteridentificatie met Hoge Resolutie

Probleemstelling
Deze studie behandelt de computationele uitdagingen die inherent zijn aan Bayesiaanse parameteridentificatie voor ruimtelijk variërende materiaaleigenschappen binnen hoogresolutie eindige-elementen (EE) elasticiteitsmodellen. Specifiek onderzoeken de auteurs de reconstructie van een ruimtelijk variërend veld voor de Youngsmodulus, $E(x,y)$, geconditioneerd op waarnemingen van verplaatsingen met hoge resolutie in een probleem van vlakke spanning in elasticiteit. De kernmoeilijkheid ligt in de hoge dimensionaliteit van de parameterruimte bij het modelleren van $E$ als een stochastisch veld, gecombineerd met de computationele kosten van het oplossen van de voorwaartse partiële differentiaalvergelijkingen die nodig zijn voor Markov Chain Monte Carlo (MCMC)-sampling. Het artikel tracht te bepalen welke discretisatiestrategie voor stochastische velden in deze context de beste balans biedt tussen numerieke efficiëntie, mengingseigenschappen en de verhouding tussen kosten en fout.

Methodologie
De auteurs vergelijken drie verschillende strategieën voor het discretiseren van het onderliggende Gaussische stochastische veld, dat vervolgens wordt getransformeerd naar een Gamma-stochastisch veld om de Youngsmodulus te modelleren:

1. Karhunen-Loève (KL)-expansie: Een globale-basisbenadering met gebruik van eigenparen van de covariantieoperator.
2. Wavelet-expansie: Een lokale-basisbenadering met gebruik van Meyer-wavelets op een inbedding van een torus.
3. Lokale Gemiddelde Subdivisie (LAS): Een roostergebaseerde benadering waarbij het veld wordt geconstrueerd via een reeks verfijningen waarbij celwaarden lokale gemiddelden zijn van oudercellen.

Deze methoden worden geëvalueerd binnen een Multilevel Markov Chain Monte Carlo (MLMCMC)-kader. Deze aanpak maakt gebruik van een hiërarchie van EE-roosters (van grof tot fijn) en parametervlakken om de computationele kosten van het schatten van grootheden van belang te verlagen. Het algoritme maakt gebruik van gepreconditieerde Crank-Nicolson (pCN)-voorstellen om de hoge dimensionaliteit van de coëfficiënten van het stochastische veld te hanteren. Er worden twee numerieke experimenten uitgevoerd op een 2D ingeklemde balk:

• Experiment 1: Een waarheid gegenereerd vanuit een vooraf-gesamplede wavelet-expansie (glad veld).
• Experiment 2: Een stuksgewijs constante waarheid die een beschadigd gebied voorstelt (scherpe discontinuïteiten).

De prestaties worden beoordeeld aan de hand van posterior-schattingen, initialisatiekosten, samplingkosten, geïntegreerde autocorrelatietijden (IAT) en de verhouding tussen kosten en fout naarmate de resolutie toeneemt.

Belangrijkste Resultaten

• Posterior-nauwkeurigheid: Alle drie de discretisatiestrategieën leveren vergelijkbare posterior-schattingen voor het veld van de Youngsmodulus. De verschillen in de posterior-middens en -varianties zijn gering en worden toegeschreven aan de lichte variaties in de a priori-verdelingen die worden geïntroduceerd door de truncatie van de respectieve expansies.
• Initialisatiekosten: De LAS-methode vertoont aanzienlijk lagere initialisatiekosten bij fijne resoluties in vergelijking met de KL- en Wavelet-methoden. De KL-methode, die de oplossing van een eigenwaardeprobleem vereist, schaalt slecht met de resolutie, terwijl LAS-coëfficiënten met minimale overhead vooraf kunnen worden berekend.
• Sampling-efficiëntie en Menging: Ondanks een hogere nominale parametervlak (één coëfficiënt per roostercel) vertoont de LAS-methode superieure mengingseigenschappen. Het bereikt lagere geïntegreerde autocorrelatietijden (IAT) en een snellere convergentie van acceptatiepercentages dan zowel de KL- als de Wavelet-benaderingen.
• Verhouding Kosten-Fout: Hoewel alle methoden de theoretische convergentiesnelheid $C \propto \epsilon^{-2}$ vertonen (waarbij $C$ de computationele kosten zijn en $\epsilon$ de samplingfout), verschilt de constante factor aanzienlijk. De LAS-methode bereikt consistent lagere samplingfouten voor een gegeven computatiebudget. Dit wordt gedreven door een snellere afname in de variantie van de correctietermen tussen niveaus en betere ketenmenging.
• Wavelet versus KL: Tussen de twee op expansie gebaseerde methoden presteert de KL-benadering over het algemeen beter dan de wavelet-benadering, en biedt een kleinere constante in de relatie tussen kosten en fout, hoewel beide minder efficiënt zijn dan LAS in de geteste scenario's met hoge resolutie.

Betekenis en Claims
Het artikel claimt praktische richtlijnen te bieden voor het selecteren van stochastische veldrepresentaties in onzekerheidskwantificering voor heterogene materialen. De primaire bijdrage is de empirische demonstratie dat Lokale Gemiddelde Subdivisie (LAS), ondanks zijn hogere parametervlak en lokale aard, computationeel superieur is aan globale (KL) en lokale expansie (Wavelet) methoden voor hoogresolutie EE-simulaties wanneer deze worden gebruikt in combinatie met MLMCMC.

De auteurs benadrukken dat de keuze van discretisatie een beslissende impact heeft op de computationele efficiëntie, zelfs wanneer de posterior-nauwkeurigheid vergelijkbaar is. Zij merken op dat het voordeel van de LAS-methode voortkomt uit verbeterde menging en lagere verhoudingen tussen kosten en fout bij fijne resoluties. De studie erkent bescheiden dat de LAS-methode momenteel beperkt is tot rechthoekige geometrieën en dat de waargenomen snellere-dan-theoretische convergentie van het acceptatiepercentage van LAS onverklaard blijft, hoewel wordt vermoed dat dit gerelateerd is aan het behoud van lokale gemiddelden tijdens subdivisie. Het werk stelt geen nieuwe toekomstige toepassingen voor, maar valideert eerder de bruikbaarheid van LAS in bestaande inverse problemen met hoge resolutie.