Data-Driven Global Sensitivity Analysis for Engineering Design Based on Individual Conditional Expectations

Este artigo propõe uma nova métrica de sensibilidade global baseada em Curvas de Expectativa Condicional Individual (ICE) para superar as limitações dos Gráficos de Dependência Parcial (PDP) na presença de interações fortes, demonstrando matematicamente sua superioridade e validando-a em casos de engenharia aeroespacial e eólica através de comparações com métodos como SHAP e índices de Sobol'.

O essencial

Imagine que você é um engenheiro projetando uma asa de avião ou uma turbina eólica. Você tem um computador superpoderoso que simula como essa asa se comporta, mas o computador é tão complexo que funciona como uma "caixa preta". Você coloca os dados de entrada (formato da asa, velocidade do vento) e ele dá um resultado (quanto de arrasto ou vibração), mas ninguém sabe exatamente como ele chegou a esse número.

Para entender essa caixa preta, os engenheiros usam ferramentas de "Inteligência Artificial Explicável". O objetivo é descobrir: quais variáveis importam mais? Se eu mudar o formato da asa, o resultado muda muito ou pouco?

O Problema: A "Média" Engana

Até agora, a ferramenta mais comum para isso era o PDP (Partial Dependence Plot). Pense no PDP como um relatório de clima médio.

• Se você perguntar: "Como a temperatura média afeta o consumo de energia?", o PDP calcula a média de todos os dias.
• O problema: Imagine que em dias frios, você usa muito aquecedor (consumo alto), mas em dias quentes, usa muito ar-condicionado (consumo alto também). No meio do ano, a média pode mostrar uma linha reta, sugerindo que a temperatura não importa.
• Na engenharia, isso é perigoso! O PDP "esconde" as interações. Ele tira a média de tudo e pode fazer você acreditar que uma variável é irrelevante, quando na verdade ela é crucial, mas age de formas diferentes dependendo de outras variáveis.

A Solução: O "ICE" (Expectativa Condicional Individual)

Os autores deste paper propõem uma nova maneira de olhar para os dados, usando algo chamado ICE (Individual Conditional Expectation).

Em vez de tirar a média de todos os dias (como o PDP), o ICE mostra o histórico individual de cada dia.

• Imagine que, em vez de uma única linha de "média de temperatura", você tem 1.000 linhas coloridas, cada uma representando um dia específico.
• Algumas linhas sobem quando a temperatura sobe (aquecedor). Outras descem (ar-condicionado).
• Ao ver todas essas linhas juntas, você percebe: "Ah! A temperatura importa muito, mas o efeito depende de se é inverno ou verão!"

A Grande Inovação: Medindo a "Bagunça" das Linhas

O paper não só mostra essas linhas, mas cria novas métricas matemáticas para quantificar o que elas dizem:

1. A Importância Real (Média das Linhas): Eles calculam o quanto cada linha individual se move. Se as linhas sobem e descem muito, a variável é importante, mesmo que a média (PDP) diga que é plana. É como dizer: "Olhe o movimento de cada carro na estrada, não apenas a média de velocidade do tráfego."
2. A "Bagunça" (Desvio Padrão): Eles medem o quanto as linhas individuais são diferentes umas das outras. Se as linhas estão todas juntas, é fácil prever. Se elas estão espalhadas e bagunçadas, significa que há interações fortes. É como ver um grupo de amigos: se todos andam juntos, é previsível. Se um corre, outro anda e outro pula, a "bagunça" (interação) é alta.
3. A Correlação (O "Canto" da Música): Eles criaram um teste para ver se a linha média (PDP) é uma boa representação da realidade. Se a linha média é reta, mas as linhas individuais estão fazendo curvas estranhas, o teste avisa: "Cuidado! A média está mentindo sobre a relação real."

Por que isso é importante para o mundo real?

Os autores testaram isso em três cenários:

1. Uma função matemática simples: Para provar que a matemática funciona.
2. Fadiga de turbinas eólicas: Descobriram que a direção do vento e a altura das ondas interagem de formas complexas que a média escondia. Isso ajuda a construir turbinas mais seguras.
3. Aerodinâmica de asas de avião: Analisaram 9 variáveis diferentes para desenhar asas. Perceberam que certas partes da asa (superfície superior) são mais críticas do que se pensava, e que mudar uma pequena parte pode ter efeitos drásticos dependendo de outras mudanças.

Resumo em Metáfora

• O PDP antigo é como ouvir a opinião de uma multidão e tirar a média. Se metade grita "Sim!" e a outra metade grita "Não!", a média é "Talvez...", o que não ajuda a tomar uma decisão.
• O novo método (ICE) é como ouvir cada pessoa individualmente. Você percebe que o "Sim" vem dos jovens e o "Não" dos idosos. Agora você entende a interação (idade vs. opinião) e pode tomar decisões melhores.

Conclusão:
Este paper ensina os engenheiros a não confiarem apenas na "média" das coisas. Eles propõem uma nova lente para olhar os dados, que revela as interações escondidas e as relações complexas entre as variáveis. Isso permite projetar aviões, carros e turbinas mais seguros e eficientes, entendendo não apenas o que acontece, mas como e por que acontece em cada situação específica.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "Data-Driven Global Sensitivity Analysis for Engineering Design Based on Individual Conditional Expectations", apresentado em português:

1. Problema e Motivação

No design de engenharia moderno, especialmente na aeroespacial, a exploração de projetos depende de simulações de alta fidelidade que são computacionalmente caras. Para contornar isso, utilizam-se modelos substitutos (surrogate models) (como Regressão por Expansão de Caos Polinomial - PCE) para aproximar o comportamento do sistema.

A Análise de Sensibilidade Global (GSA) é crucial para identificar quais variáveis de entrada mais influenciam a saída do modelo. No entanto, as técnicas tradicionais de explicação de modelos "caixa-preta" apresentam limitações:

• Partial Dependence Plots (PDP): Mostram o efeito médio de uma variável na previsão. O problema é que, ao fazer a média, efeitos de interação fortes podem se cancelar (ex: uma variável aumenta a saída em um subconjunto de dados e diminui em outro), resultando em uma curva plana e enganosa que sugere que a variável não é importante.
• SHAP (SHapley Additive exPlanations): Embora robusto, pode ser complexo de interpretar para não especialistas e, ao agregar explicações locais em um resumo global, pode ocultar heterogeneidades entre as instâncias.
• Índices de Sobol': Quantificam a contribuição da variância, mas não revelam diretamente a forma funcional da relação entrada-saída (não linearidades locais ou estruturas detalhadas de interação).

O artigo identifica a necessidade de métricas que capturem a heterogeneidade dos efeitos das variáveis e os efeitos de interação que são mascarados pela média simples dos PDPs.

2. Metodologia Proposta

Os autores propõem uma nova abordagem de análise de sensibilidade baseada nas curvas de Expectativa Condicional Individual (ICE - Individual Conditional Expectation). Em vez de apenas analisar a média (PDP), o método analisa a distribuição das curvas ICE individuais.

Principais Métricas Propostas:

1. Importância de Característica baseada em ICE ($\mu_{Iice}$):

   • Calcula a importância de uma variável $x_j$ para cada realização individual das outras variáveis ($x_C$) como o desvio padrão da curva ICE correspondente.
   • Em seguida, calcula a média desses desvios padrão sobre todas as realizações.
   • Vantagem: Diferente do PDP, que pode cancelar efeitos opostos, esta métrica soma as magnitudes das variações, capturando a importância real mesmo quando os efeitos se cancelam na média.

2. Dispersão da Importância ($\sigma_{Iice}$):

   • Calcula o desvio padrão das métricas de importância individuais ($Iice$) entre as diferentes realizações de $x_C$.
   • Significado: Um valor alto de $\sigma_{Iice}$ indica que o impacto de $x_j$ varia significativamente dependendo dos valores das outras variáveis, sinalizando fortes efeitos de interação.

3. Valor de Correlação ICE ($\sigma_{\rho}$):

   • Mede a correlação (Pearson) entre cada curva ICE individual e a curva PDP correspondente.
   • Calcula o desvio padrão dessas correlações.
   • Significado: Quantifica como as interações modificam a relação entrada-saída. Um valor alto indica que a tendência da curva ICE diverge significativamente da tendência média (PDP), revelando mudanças na não-linearidade ou no sinal da relação.

Fundamentação Teórica:

• Os autores provam matematicamente (no Apêndice A) que, para uma classe ampla de funções (incluindo expansões polinomiais truncadas como PCE), a importância baseada em ICE é sempre maior ou igual à importância baseada em PDP:
  $$E_{x_C}[Iice(x_j; x_C)] \geq I_{pdp}(x_j)$$
• Isso demonstra que o PDP é um limite inferior para a importância real quando interações estão presentes.

3. Casos de Estudo e Resultados

O método foi validado em três cenários distintos, comparando-se com PDP, SHAP e Índices de Sobol':

1. Função Analítica de 5 Variáveis (Friedman):

   • Demonstrou que $\mu_{Iice}$ e $\sigma_{Iice}$ capturaram corretamente a interação entre $x_1$ e $x_2$, enquanto o PDP subestimou a importância devido à natureza oscilatória da interação.
   • As métricas ICE forneceram rankings de importância mais ricos e visualizações que complementaram o SHAP.

2. Problema de Fadiga de Turbina Eólica (5 Variáveis):

   • Analisou o momento de flexão da torre em função de variáveis de vento e ondas.
   • Identificou que, embora a velocidade do vento ($V_{hub}$) fosse a variável mais importante, as interações eram mais fortes em outras variáveis (como direção do vento e altura da onda), algo que o $\sigma_{Iice}$ revelou claramente através de grandes desvios nas curvas ICE.
   • As visualizações mostraram padrões complexos (ex: comportamento harmônico) que seriam perdidos em uma análise puramente baseada em variância.

3. Aerodinâmica de Perfis Aerodinâmicos (9 Variáveis):

   • Utilizou um banco de dados de coeficientes de arrasto gerados por CFD.
   • Revelou que parâmetros da superfície inferior (CST) apresentavam alta heterogeneidade e interações complexas que alteravam a tendência de arrasto dependendo do ângulo de ataque, enquanto parâmetros da superfície superior mantinham tendências mais monotônicas.
   • O método permitiu identificar que certas combinações de parâmetros (ex: espessura reduzida) levam a mínimos de arrasto, fornecendo insights de design acionáveis.

4. Contribuições Chave

• Novas Métricas de Sensibilidade: Introdução de $\mu_{Iice}$, $\sigma_{Iice}$ e $\sigma_{\rho}$ como ferramentas quantitativas para extrair insights de curvas ICE, preenchendo a lacuna entre a visualização qualitativa e a análise global quantitativa.
• Prova Teórica: Estabelecimento de uma desigualdade formal que posiciona a importância baseada em PDP como um limite inferior da importância baseada em ICE para expansões polinomiais.
• Abordagem Complementar: Demonstração de que PDP, ICE e SHAP não são excludentes, mas sim complementares. O ICE oferece uma visão mais rica sobre a heterogeneidade e interações que o PDP esconde e que o SHAP pode tornar difícil de visualizar globalmente.
• Aplicabilidade em Engenharia: Validação em problemas reais de engenharia (aerodinâmica e energia eólica), mostrando utilidade prática para a descoberta de conhecimento e otimização de design.

5. Significado e Limitações

Significado:
O trabalho oferece uma ferramenta poderosa para engenheiros que utilizam modelos de aprendizado de máquina ou substitutos. Ao revelar interações ocultas e heterogeneidades, permite decisões de design mais informadas, evitando a armadilha de descartar variáveis importantes apenas porque seu efeito médio parece nulo.

Limitações:

• Variáveis Correlacionadas: O método assume independência entre as variáveis de entrada. A aplicação em problemas com variáveis correlacionadas requer cuidado, pois a amostragem independente das outras variáveis para gerar curvas ICE pode não ser fisicamente realista.
• Identificação Específica de Interações: Embora $\sigma_{Iice}$ indique a presença de interações fortes, ele não diz com quais variáveis a interação ocorre. Isso requer visualização adicional (gráficos de dispersão 2D ou índices de Sobol' de segunda ordem).
• Custo Computacional: O cálculo exige a avaliação do modelo em uma grade de pontos para múltiplas realizações, resultando em um custo de $O(mNK)$, que é maior do que o de índices de Sobol' totais padrão, embora comparável ao cálculo de PDPs detalhados.

Em conclusão, o artigo propõe um avanço significativo na análise de sensibilidade para engenharia, transformando a visualização de curvas ICE em métricas quantitativas robustas que capturam a complexidade das interações em modelos de dados.