Resumo Técnico: Um Método de Aprendizado Ativo Baseado em Processos Gaussianos Locais para Estimativa Eficiente de Probabilidade de Falha

1. Definição do Problema

A análise de confiabilidade é crítica para o projeto de engenharia e avaliação de segurança, mas enfrenta desafios significativos ao estimar a probabilidade de falha de sistemas complexos. Em muitos cenários práticos, a função de estado limite $g(x)$ depende de simulações numéricas computacionalmente caras (ex: análise de elementos finitos), e as respostas do sistema frequentemente exibem não-estacionariedade ou não-linearidades locais fortes.

Métodos tradicionais lutam para equilibrar eficiência e precisão:

• Aproximações assintóticas (ex: FORM/SORM) podem perder precisão com múltiplos pontos mais prováveis ou não-linearidades fortes.
• Métodos baseados em momentos sofrem com problemas inversos mal postos e vieses de distribuição.
• Métodos de simulação estocástica (ex: Simulação de Monte Carlo) são robustos, mas convergem lentamente para eventos raros, exigindo um número proibitivo de avaliações de modelos caros.

Embora modelos substitutos (ex: Regressão de Processo Gaussiano global) tenham sido adotados para reduzir custos, eles enfrentam problemas de escalabilidade em problemas de alta dimensão ou não-estacionários devido à complexidade $O(n^3)$ da inversão da matriz de covariância e à redução da precisão de predição local. Além disso, estratégias de aprendizado ativo padrão frequentemente geram amostras redundantes longe da fronteira de falha, desperdiçando recursos computacionais.

2. Metodologia

O artigo propõe o LGP-AL, um método de análise de confiabilidade por aprendizado ativo que integra Processos Gaussianos Locais (LGP) com uma nova estratégia de Aprendizado Ativo.

2.1 Modelo Substituto de Processo Gaussiano Local (LGP)

Em vez de construir um único modelo global, o método particiona o conjunto de dados de treinamento em $m$ subdomínios distintos usando agrupamento K-means. Submodelos de Regressão de Processo Gaussiano (GPR) independentes são construídos dentro de cada subdomínio.

• Premissa: Substitui a suposição de estacionariedade global por estacionariedade local, permitindo que o modelo capture melhor respostas não-estacionárias e fortes não-linearidades locais.
• Escalabilidade: Ao decompor o problema global em $m$ subconjuntos locais balanceados, a complexidade de treinamento é reduzida de $O(n^3)$ para aproximadamente $O(n^3/m^2)$.
• Estabilidade: Para evitar instabilidade causada pelo re-particionamento frequente, um mecanismo de herança de estrutura de partição é empregado. O re-agrupamento ocorre apenas quando a mudança relativa na estimativa da probabilidade de falha excede um limiar prescrito; caso contrário, novas amostras são atribuídas aos subconjutos existentes via regra de vizinho mais próximo.

2.2 Estratégia de Aprendizado Ativo (UBAF)

Para guiar o processo de amostragem sequencial, os autores constroem uma função de aquisição conjunta chamada Função de Aquisição de Incerteza e Fronteira (UBAF). Esta função combina dois critérios:

1. Contribuição da Variância Posterior do Limite Superior (UPVC): Derivada do limite superior da variância posterior da probabilidade de falha, esta métrica quantifica a contribuição de cada ponto de entrada para a incerteza global da estimativa da probabilidade de falha. Ela impulsiona a exploração global.
2. Grau de Proximidade da Fronteira (BPD): Definido como $-|u_i|$ (onde $u_i$ é a média posterior), este métrica mede a distância de um ponto candidato até a fronteira de falha estimada. Ela impulsiona o refinamento local.

A UBAF é formulada como uma soma ponderada:
$$UBAF(x) = (1 - w) \cdot \widehat{UPVC}(x) + w \cdot \widetilde{BPD}(x)$$
onde $w$ é um peso adaptativo que aumenta com o número de iterações. Isso garante que a estratégia de amostragem transicione de uma exploração impulsionada pela incerteza global nas iterações iniciais para um refinamento focado na fronteira nas etapas posteriores. O peso de BPD é limitado a 0,5 para evitar o agrupamento prematuro.

2.3 Extensão para Alta Dimensão

Para entradas de alta dimensão, o método integra o Método de Subespaço Ativo. Esta técnica de redução de dimensionalidade projeta o espaço de entrada de alta dimensão em um subespaço ativo de baixa dimensão, baseado no gradiente da resposta do modelo, preservando as relações dominantes de entrada-saída enquanto reduz a dimensionalidade para o framework LGP.

3. Principais Contribuições

O artigo delineia três contribções primárias:

1. Framework de Modelagem Local: Particionamento do conjunto de treinamento para construir modelos de processo gaussiano locais, substituindo a estacionariedade global por estacionariedade local para capturar melhor estruturas não-estacionárias, enquanto reduz significativamente os custos de inversão da matriz de kernel.
2. Novo Critério de Aprendizado Ativo: Formulação de um critério de amostragem (UBAF) que combina o limite superior da variância posterior com a proximidade da fronteira de falha. Isso direciona as amostras para regiões de alta incerteza e próximas à fronteira, melhorando a discriminação de sinal da função de estado limite.
3. Integração de Redução de Dimensionalidade: Incorporação do método de subespaço ativo para manter a aproximação estável em configurações de alta dimensão, aumentando a escalabilidade do framework LGP.

4. Resultados Numéricos

O método foi validado em cinco exemplos numéricos: um problema de contorno de iso-probabilidade, um sistema de quatro ramos, um segmento de viga de concreto armado, um modelo de suporte (bracket) e um problema linear de alta dimensão.

• Eficiência: Em todos os exemplos, o LGP-AL demonstrou tempos de treinamento significativamente reduzidos em comparação ao aprendizado ativo baseado em Processo Gaussiano global (GP-AL). Por exemplo, no sistema de quatro ramos, o LGP-AL reduziu o tempo de treinamento em aproximadamente 63% (8,9 min vs. 19,4 min). No exemplo da viga de concreto armado, o GP-AL falhou em identificar o domínio de falha (estimando probabilidade zero), enquanto o LGP-AL alcançou um erro relativo de $1,90 \times 10^{-2}$.
• Precisão: O método proposto manteve alta precisão de estimativa. No sistema de quatro ramos, o LGP-AL alcançou um erro relativo de $1,12 \times 10^{-2}$ comparado a $2,58 \times 10^{-1}$ para o GP-AL.
• Estratégia de Amostragem: Comparações mostraram que a estratégia UBAF superou tanto o Amostragem por Hipercubo Latino (LHS) quanto uma estratégia utilizando apenas UPVC. A UBAF concentrou efetivamente as amostras perto da fronteira de falha, levando a uma convergência mais rápida e erros relativos menores.
• Desempenho em Alta Dimensão: No problema linear de alta dimensão (dimensões $d=100, 500, 1000$), a combinação de subespaços ativos e LGP manteve erros relativos dentro de $10^{-1}$ com tempos de treinamento variando apenas entre 29 e 35 segundos, demonstrando robustez contra o aumento da dimensionalidade.

5. Significância e Alegações

O artigo afirma que o método LGP-AL proposto oferece uma solução robusta e escalável para a estimativa de probabilidade de falha em sistemas de engenharia complexos. Sua significância reside em:

• Redução da Carga Computacional: Ao decompor o problema global e utilizar a estacionariedade local, o método reduz significativamente o custo computacional do treinamento do modelo e da inversão da matriz de covariância.
• Melhoria da Eficiência de Amostragem: O critério adaptativo UBAF garante que as avaliações caras da função de estado limite sejam focadas em regiões críticas (alta incerteza e próxima à fronteira de falha), minimizando a amostragem redundante.
• Tratamento de Complexidade: O método aborda efetivamente os desafios impostos por respostas não-estacionárias, fortes não-linearidades locais e entradas de alta dimensão.

Os autores reconhecem modestamente as limitações, observando que o método ainda pode enfrentar desafios computacionais em cenários envolvendo probabilidades de falha extremamente pequenas ou sistemas de ultra-alta dimensão. Eles sugerem que trabalhos futuros poderiam incorporar aproximações de matriz de baixo posto, esparsificação de pontos indutores e modelagem de multi-fidelidade para aumentar ainda mais a escalabilidade e a convergência.