[論文レビュー] Sensitivity analysis using the Metamodel of Optimal Prognosis

Thomas Most, Johannes Will|arXiv (Cornell University)|Aug 7, 2024

Fault Detection and Control Systems被引用数 40

ひとこと要約

本論文は、推定精度の最適予測のメタモデル(MOP)、ポリノミアル回帰とMoving Least Squaresを係数予測(CoP)と組み合わせたモデル選択フレームワークを提示し、グローバル感度分析とロバスト性分析のために最適な部分空間とメタモデルを自動的に同定します。

ABSTRACT

In real case applications within the virtual prototyping process, it is not always possible to reduce the complexity of the physical models and to obtain numerical models which can be solved quickly. Usually, every single numerical simulation takes hours or even days. Although the progresses in numerical methods and high performance computing, in such cases, it is not possible to explore various model configurations, hence efficient surrogate models are required. Generally the available meta-model techniques show several advantages and disadvantages depending on the investigated problem. In this paper we present an automatic approach for the selection of the optimal suitable meta-model for the actual problem. Together with an automatic reduction of the variable space using advanced filter techniques an efficient approximation is enabled also for high dimensional problems. This filter techniques enable a reduction of the high dimensional variable space to a much smaller subspace where meta-model-based sensitivity analyses are carried out to assess the influence of important variables and to identify the optimal subspace with corresponding surrogate model which enables the most accurate probabilistic analysis. For this purpose we investigate variance-based and moment-free sensitivity measures in combination with advanced meta-models as moving least squares and kriging.

研究の動機と目的

• 設計変数を削減するツールとして感度分析を動機づけ、産業オプティマイゼーションにおけるCAEソルバーの挙動を評価する。
• 分散ベースの感度指標と高次元空間における従来のメタモデルの限界を紹介する。
• 重要な入力と適切なメタモデル（多項式またはMLS）を自動的に選択するMOPフレームワークを提案する。
• CoPがモデル品質評価とロバスト最適化のための部分空間選択をどのように導くかを示す。

提案手法

• モンテカルロ法や最適化されたラテン超立方体サンプリングを用いて入力空間を走査し、離散的実現を生成する。
• 分散ベースの感度指標（1次および全効果）と古典的相関指標を比較し、高次元での制約を強調する。
• 多項式回帰とMoving Least Squares (MLS)メタモデルを開発・適用し、CoD/調整CoDとCoPを用いて適合を評価する。
• CoPに基づいて最適な変数サブセットを選択し、選択したサブスペースを多項式またはMLSの基底で使用する、MOPを導入する。
• MOP内で総効果感度指標を計算し、相互作用を含む変数の重要性を定量化する。
• 解析的非線形関数とNVH自動車のロバスト性ケーススタディを用いてMOPを検証し、2D/3Dの部分空間依存性を可視化する。

実験結果

リサーチクエスチョン

• RQ1 高次元のエンジニアリング問題で prohibitive なサンプリングコストを伴わずに感度分析を効率的に実施するにはどうすればよいか？
• RQ2 モデルに依存しない品質指標（CoP）を用いて最も関連性の高い入力サブセットと適切なメタモデルを自動的に選択できるか？
• RQ3 次元増加に伴う近似品質の観点から、Kriging、SVR、ANNと比較してMOPはどのように性能を示すか？
• RQ4 CoP由来の部分空間は、産業応用におけるソルバー挙動とロバスト性を理解するうえでどのような知見を提供するか？

主な発見

サンプル数	CoP	CoP(X5)	CoP(X6)	CoP(X20)	CoP(X23)
100	90.9%	-	6.0%	41.3%	49.1%
200	91.7%	-	5.3%	42.7%	48.0%
400	95.7%	2.4%	8.2%	42.3%	50.7%
600	96.3%	2.3%	8.3%	43.4%	51.0%
800	96.9%	2.7%	8.7%	42.2%	53.8%

• 分散ベースの手法は多数のシミュレーションを必要とする。一方、メタモデル化は計算コスト削減に寄与する。
• MOPは重要変数の最適なサブセットと正確な近似のための最良のメタモデル（多項式またはMLS）を特定する。
• 解析的テスト関数では、3つの主要変数を用いたMLSが他の組み合わせより高いCoPを達成し、効果的な変数削減を示した。
• Kriging、SVR、ANNと比較して、多項式/MLSベースのMOPは一般に次元の呪いを回避し、重要変数に焦点を当てた場合に近似品質を高く保つ。
• NVHアプリケーションでは初期収束でCoPが約90–97%となり、100サンプル程度で済み、追加変数を含めると相互作用の捉え方が約5%から約11%へ改善する。
• MOPのサブスペース可視化は非線形相互作用とソルバー挙動を明らかにするのに役立ち、CoPはソルバーのノイズやモデルの信頼性の指標となる。