[論文レビュー] Efficient Seismic fragility curve estimation by Active Learning on Support Vector Machines

Rémi Sainct, Cyril Feau+2 more|arXiv (Cornell University)|Sep 25, 2018

Structural Health Monitoring Techniques参考文献 20被引用数 4

ひとこと要約

本稿では、最小限の構造的解析計算で非パラメトリックな地震動破壊曲線を効率的に推定するため、サポートベクターマシン（SVM）を用いたアクティブラーニングフレームワークを提案する。構造応答を破壊閾値に基づく二値分類問題として扱い、SVMスコアを確率的強度指標として用いることで、100～1,000回のシミュレーションで高い精度を達成し、従来のPGAベースの破壊曲線やパラメトリックモデルに比べて勾配が急で、精度に優れる。

ABSTRACT

Fragility curves which express the failure probability of a structure, or critical components, as function of a loading intensity measure are nowadays widely used (i) in Seismic Probabilistic Risk Assessment studies, (ii) to evaluate impact of construction details on the structural performance of installations under seismic excitations or under other loading sources such as wind. To avoid the use of parametric models such as lognormal model to estimate fragility curves from a reduced number of numerical calculations, a methodology based on Support Vector Machines coupled with an active learning algorithm is proposed in this paper. In practice, input excitation is reduced to some relevant parameters and, given these parameters, SVMs are used for a binary classification of the structural responses relative to a limit threshold of exceedance. Since the output is not only binary, this is a score, a probabilistic interpretation of the output is exploited to estimate very efficiently fragility curves as score functions or as functions of classical seismic intensity measures.

研究の動機と目的

• 対数正規分布のようなパラメトリック仮定に依存しない、計算が効率的な非パラメトリックな地震動破壊曲線推定手法の開発。
• 地震確率的リスクアセスメント（SPRA）における高コストな非線形時程解析の回数を削減すること。
• 従来のパrameter（例：PGA）の代わりにSVMスコアを用いることで、最適な地震強度指標を同定すること。
• 地震動による複雑な構造挙動を表現できないパラメトリックモデルの限界を解消すること。
• アクティブラーニングとSVMを統合し、最も情報量の多いシミュレーションを知的に選択することで、計算負荷を最小限に抑えること。

提案手法

• SVMの性能向上を目的として、地震入力をPGA、V、L、ω₀などの関連パラメータに縮小し、ボックス・コックス変換を適用する。
• 各地震入力サンプルについて、構造物が破壊閾値を超えるかどうかを二値分類SVMで判定する。
• 不確実性が最も高いまたは情報量の多いシミュレーションを反復的に選択してラベル付けを行うことで、必要な解析回数を最小限に抑えるアクティブラーニングを採用する。
• SVMの意思決定関数出力（「スコア」）を、破壊曲線推定のための確率的強度指標として活用する。
• SVMスコアを失敗確率の推定値として解釈し、スコア関数としての破壊曲線、または古典的強度指標との対比による破壊曲線を構築可能にする。
• 線形カーネルとRBFカーネルSVMをハイブリッド戦略で統合：高信頼度領域では線形SVMを、不確実領域ではRBFを用いることで、耐性を高める。

実験結果

リサーチクエスチョン

• RQ1 SVMを用いたアクティブラーニングは、地震動破壊曲線を推定するために必要な構造的解析回数を顕著に削減できるか？
• RQ2 SVMスコアは、従来のパrameter（例：PGA）に比べ、より正確で勾配の急な強度指標として有効か？
• RQ3 破壊曲線の精度と計算コストの観点から、線形カーネルSVMとRBFカーネルSVMの性能を比較するとどうなるか？
• RQ4 線形とRBFカーネルを組み合わせたハイブリッドSVMアプローチは、精度を損なわずに耐性を向上させられるか？
• RQ5 データ前処理（例：ボックス・コックス変換）は、線形SVMの破壊曲線推定における性能をどの程度向上させるか？

主な発見

• 線形SVMとボックス・コックス前処理を用いてわずか100回のシミュレーションで、参照モンテカルロ曲線に対するL₂誤差1.8％を達成した。
• スコアベースの破壊曲線は、PGAベースの曲線よりも勾配が急くとともに、破壊可能性の識別能に優れていた。
• テスト設定において、Lベースの破壊曲線はPGAベースの曲線と同等の性能を示した。
• RBFカーネルは1,000回のシミュレーションでPRBP 0.85を達成したが、単独で使用した場合、20％のL₂誤差を示し、破壊曲線構築において不安定であることが判明した。
• 高信頼度領域には線形SVM、不確実領域にはRBFを適用するハイブリッドアプローチは、L₂誤差2.3％を達成し、純粋なRBFよりも顕著に優れており、最良の線形手法に近い性能を示した。
• SVMスコアが有効かつ信頼できる強度指標として有効であることが実証され、従来の地震パrameterの代替または上回る可能性を示した。