Technische Samenvatting: Een lokale op Gaussische processen gebaseerde actieve leer-methode voor efficiënte schatting van de faalkans

1. Probleemstelling

Betrouwbaarheidsanalyse is cruciaal voor het technisch ontwerp en de veiligheidsbeoordeling, maar staat voor aanzienlijke uitdagingen bij het schatten van de faalkans van complexe systemen. In veel praktische scenario's is de grenstoestandsfunctie $g(x)$ afhankelijk van computationeel dure numerieke simulaties (bijv. eindige-elementenanalyse), en de systeemresponsen vertonen vaak niet-stationariteit of lokale sterke niet-lineariteiten.

Traditionele methoden worstelen met het evenwicht tussen efficiëntie en nauwkeurigheid:

• Asymptotische benaderingen (bijv. FORM/SORM) kunnen aan nauwkeurigheid verliezen bij meerdere meest waarschijnlijke punten of sterke niet-lineariteiten.
• Moment-gebaseerde methoden lijden onder slecht gestelde inverse problemen en distributionele biases.
• Stochastische simulatiemethoden (bijv. Monte Carlo Simulatie) zijn robuust, maar convergeren traag voor zeldzame gebeurtenissen, wat een verbijsterend aantal dure modelevaluaties vereist.

Hoewel surrogaatmodellen (zo.n. globale Gaussische Proces Regressie) zijn geadopteerd om kosten te verlagen, kampen zij met schaalbaarheidsproblemen in hoog-dimensionale of niet-stationaire problemen door de $O(n^3)$ complexiteit van de covariantie-matrix inversie en verminderde lokale voorspellingsnauwkeurigheid. Bovendien genereren standaard actieve leerstrategieën vaak redundante monsters ver van de faalgrens, wat computationele middelen verspilt.

2. Methodologie

Het artikel stelt LGP-AL voor, een actieve leer-betrouwbaarheidsanalyse-methode die Lokale Gaussische Processen (LGP) integreert met een nieuwe Actieve Leer strategie.

2.1 Lokale Gaussische Proces (LGP) Surrogaat

In plaats van één enkel globaal model te construeren, verdeelt de methode de trainingsdataset in $m$ verschillende subdomeinen met behulp van K-means clustering. Onafhankelijke Gaussische Proces Regressie (GPR) sub-modellen worden binnen elk subdomein geconstrueerd.

• Aanname: Vervangt de globale stationariteitsaanname door lokale stationariteit, waardoor het model de niet-stationaire responsen en sterke lokale niet-lineariteiten beter kan vastleggen.
• Schaalbaarheid: Door het globale probleem te deconstrueren naar $m$ gebalanceerde lokale deelverzamelingen, wordt de trainingscomplexiteit verminderd van $O(n^3)$ naar ongeveer $O(n^3/m^2)$.
• Stabiliteit: Om instabiliteit door frequente herverdeling te voorkomen, wordt een partitiestructuur-overervingsmechanisme toegepast. Re-clustering vindt alleen plaats wanneer de relatieve verandering in de schatting van de faalkans een voorgeschreven drempel overschrijdt; anders worden nieuwe monsters toegewezen aan bestaande deelverzamelingen via een nearest-neighbor regel.

2.2 Actieve Leer Strategie (UBAF)

Om het sequentiële bemonsteringsproces te sturen, construeren de auteurs een gezamenlijke acquisitiefunctie genaamd de Uncertainty-Boundary Acquisition Function (UBAF). Deze functie combineert twee criteria:

1. Upper-Bound Posterior Variance Contribution (UPVC): Afgeleid van de bovengrens van de posterior variantie van de faalkans, kwantificeert deze metriek de bijdrage van elk invoerpunt aan de globale onzekerheid van de faalkans-schatting. Het stuurt aan op globale exploratie.
2. Boundary Proximity Degree (BPD): Gedefinieerd als $-|u_i|$ (waarbij $u_i$ de posterior gemiddelde is), meet deze metriek de afstand van een kandidaat punt tot de geschatte faalgrens. Het stuurt aan op lokale verfijning.

De UBAF is geformuleerd als een gewogen som:
$$UBAF(x) = (1 - w) \cdot \widehat{UPVC}(x) + w \cdot \widetilde{BPD}(x)$$
waarbij $w$ een adaptief gewicht is dat toeneemt met het aantal iteraties. Dit zorgt ervoor dat de bemonsteringsstrategie overgaat van globale onzekerheid-gestuurde exploratie in vroege iteraties naar grens-gefocusseerde verfijning in latere stadia. Het gewicht van BPD wordt begrensd op 0,5 om voortijdige clustering te voorkomen.

2.3 Hoog-dimensionale Extensie

Voor hoog-dimensionale inputs integreert de methode de Active Subspace Method. Deze dimensionaliteitsreductie techniek projecteert de hoog-dimensionale inputruimte op een laag-dimensionale actieve subspace op basis van de gradiënt van de modelrespons, waarbij de dominante input-output relaties behouden blijven terwijl de dimensionaliteit voor het LGP-framework wordt verminderd.

3. Belangrijkste Bijdragen

Het artikel schetst drie primaire bijdragen:

1. Lokaal Modelleringsframework: Het partitioneren van de trainingsset om lokale Gaussische procesmodellen te construeren, waarbij globale stationariteit wordt vervangen door lokale stationariteit om niet-stationaire structuren beter te vatten en tegelijkertijd de kosten van de kernelmatrix inversie aanzienlijk te verlagen.
2. Nieuwe Actieve Leer Criterium: Het formuleren van een bemonsteringscriterium (UBAF) dat de bovengrens van de posterior variantie combineert met de nabijheid van de faalgrens. Dit richt monsters op regio's met een hoge onzekerheid en nabijheid van de grens, wat de teken-discriminatie van de grenstoestandsfunctie verbetert.
3. Integratie van Dimensionaliteitsreductie: Het integreren van de active subspace methode om een stabiele benadering in hoog-dimensionale settings te handhaven, wat de schaalbaarheid van het LGP-framework versterkt.

4. Numerieke Resultaten

De methode werd gevalideerd op vijf numerieke voorbeelden: een iso-waarschijnlijkheidscontourprobleem, een vier-takig systeem, een gewapend beton balksegment, een bracket-model en een hoog-dimensionaal lineair probleem.

• Efficiëntie: Over alle voorbeelden heen vertoonde LGP-AL significant lagere trainingstijden vergeleken met globale Gaussische Proces-gebaseerde actieve leer (GP-AL). Bijvoorbeeld, in het vier-takig systeem verminderde LGP-AL de trainingstijd met ongeveer 63% (8,9 min vs. 19,4 min). In het voorbeeld van de gewapende betonnen balk slaagde GP-AL er niet in om het faaldomein te identificeren (schatte een kans van nul), terwijl LGP-AL een relatieve fout bereikte van $1,90 \times 10^{-2}$.
• Nauwkeurigheid: De voorgestelde methode behield een hoge schattingsnauwkeurigheid. In het vier-takig systeem bereikte LGP-AL een relatieve fout van $1,12 \times 10^{-2}$ vergeleken met $2,58 \times 10^{-1}$ voor GP-AL.
• Bemonsteringsstrategie: Vergelijkingen toonden aan dat de UBAF-strategie zowel Latin Hypercube Sampling (LHS) als een strategie die enkel UPVC gebruikt, overtrof. UBAF concentreerde monsters effectief nabij de faalgrens, wat leidde tot snellere convergentie en lagere relatieve fouten.
• Prestaties in Hoge Dimensies: In het hoog-dimensionale lineaire probleem (dimensies $d=100, 500, 1000$) behield de combinatie van actieve subspaces en LGP relatieve fouten binnen $10^{-1}$ met trainingstijden variërend van slechts 29 tot 35 seconden, wat de robuustheid tegen toenemende dimensionaliteit aantoont.

5. Betekenis en Claims

Het artikel beweert dat de voorgestelde LGP-AL methode een robuuste en schaalbare oplossing biedt voor de schatting van de faalkans in complexe technische systemen. De betekenis ligt in:

• Verminderen van de Computationele Last: Door het globale probleem te deconstrueren en gebruik te maken van lokale stationariteit, verlaagt de methode de computationele kosten van modeltraining en covariantie-matrix inversie aanzienlijk.
• Verbeteren van de Bemonderings-efficiëntie: Het adaptieve UBAF-criterium zorgt ervoor dat dure evaluaties van de grenstoestandsfunctie worden gefocust op kritieke regio's (hoge onzekerheid en nabijheid van de faalgrens), waardoor redundante bemonstering wordt geminimaliseerd.
• Omgaan met Complexiteit: De methode adresseert effectief de uitdagingen geponeerd door niet-stationaire responsen, sterke lokale niet-lineariteiten en hoog-dimensionale inputs.

De auteurs erkennen bescheiden de beperkingen, waarbij zij opmerken dat de methode nog steeds computationele uitdagingen kan ervaren in scenario's met extreem kleine faalkansen of ultra-hoog-dimensionale systemen. Zij suggereren dat toekomstig werk low-rank matrix benaderingen, inducing point sparsificatie en multi-fidelity modellering zou kunnen integreren om de schaalbaarheid en convergentie verder te verbeteren.