[論文レビュー] Slope stability predictions on spatially variable random fields using machine learning surrogate models

Mohammad Aminpour, Reza Alaie+3 more|arXiv (Cornell University)|Apr 4, 2022

Geotechnical Engineering and Analysis被引用数 4

ひとこと要約

本稿では、空間的に変動するランダムフィールドにおける土壌安定性解析を高速化するための機械学習（ML）サーモグラフィックモデリング手法を提案する。500サンプル（モンテカルロシミュレーション全体の0.47%）のデータのみを用いてトレーニングしたモデルが、85%の精度と91%のAUCを達成し、破壊または非破壊を予測する。計算時間は306日から6時間未塔に短縮され、高い信頼性を維持する。テストされたアルゴリズムの中でランダムフォレストおよびバギングアンサンブルが優れた性能を示した。

ABSTRACT

Random field Monte Carlo (MC) reliability analysis is a robust stochastic method to determine the probability of failure. This method, however, requires a large number of numerical simulations demanding high computational costs. This paper explores the efficiency of different machine learning (ML) algorithms used as surrogate models trained on a limited number of random field slope stability simulations in predicting the results of large datasets. The MC data in this paper require only the examination of failure or non-failure, circumventing the time-consuming calculation of factors of safety. An extensive dataset is generated, consisting of 120,000 finite difference MC slope stability simulations incorporating different levels of soil heterogeneity and anisotropy. The Bagging Ensemble, Random Forest and Support Vector classifiers are found to be the superior models for this problem amongst 9 different models and ensemble classifiers. Trained only on 0.47% of data (500 samples), the ML model can classify the entire 120,000 samples with an accuracy of %85 and AUC score of %91. The performance of ML methods in classifying the random field slope stability results generally reduces with higher anisotropy and heterogeneity of soil. The ML assisted MC reliability analysis proves a robust stochastic method where errors in the predicted probability of failure using %5 of MC data is only %0.46 in average. The approach reduced the computational time from 306 days to less than 6 hours.

研究の動機と目的

• 土壌安定性のための空間的変動を伴うランダムフィールドにおけるモンテカルロ（MC）信頼性解析の高い計算コストを低減すること。
• 空間的に変動する土壌フィールドにおける破壊の予測に、さまざまな機械学習モデルをサーモグラフィック予測子として効果的に適用できるかを評価すること。
• 正確なMLベースの破壊確率予測に必要な最小トレーニングデータサイズを特定すること。
• 土壌の不均一性および異方性の程度が変化する条件下でのMLサーモグラフィックモデルの汎化性能に与える影響を評価すること。
• 参考結果と比較することで、ML支援MC手法の妥当性を検証すること。

提案手法

• 空間的に変動する土壌特性下での土壌安定性に関する12万件の有限差分シミュレーションからなる大規模な合成データセットを生成する。
• 破壊を二値の結果（破壊または非破壊）として定義し、時間的に長くかかる安全係数の計算を回避する。
• データセットの小さなサブセット（500件）を用いて、ランダムフォレスト、バギングアンサンブル、サポートベクターマシンを含む9種類の機械学習分類器をトレーニングする。
• 未知のデータに対する性能最適化のため、交差検証とハイパーパramータチューニングを実施する。
• トレーニング済みのMLモデルを用いて、12万件の全データセットを分類し、計算負荷を顕著に低減する。
• 5%のMCデータを用いて、ML支援MC手法の妥当性を、参考結果と比較することで検証する。

実験結果

リサーチクエスチョン

• RQ1 わずかに全モンテカルロシミュレーションの一部である少数のデータを用いて、機械学習サーモグラフィックモデルは、空間的に変動するランダムフィールドにおける土壌安定性の破壊を正確に予測できるか？
• RQ2 不均一で異方的な土壌フィールドにおける土壌安定性の結果を分類する際、どの機械学習アルゴリズムが最も優れた性能を示すか？
• RQ3 土壌の不均一性および異方性が高くなると、MLサーモグラフィックモデルの汎化性能にどのような影響を与えるか？
• RQ4 MLモデルは、信頼性解析における正確性を保ちながら、計算時間をどの程度短縮できるか？
• RQ5 ML支援モンテカルロ手法は、全参考シミュレーションと比較して、破壊確率の推定においてどの程度の正確性を示すか？

主な発見

• バギングアンサンブルおよびランダムフォレスト分類器が最も高い性能を示し、500件のサンプル（全データの0.47%）でトレーニングしたモデルが、12万件の全データセットに対して85%の精度と91%のAUCを達成した。
• 12万件のシミュレーションに要する計算時間は、トレーニング済みのMLサーモグラフィックモデルを用いることで、306日から6時間未塔に短縮された。
• MCデータの5%のみを用いた破壊確率の予測誤差の平均は0.46%であり、ML支援アプローチの高い信頼性を示している。
• 土壌の不均一性および異方性が高くなると、モデルの性能が低下し、複雑な土壌状態ではより高い不確実性が生じることを示した。
• 二値分類アプローチ（破壊／非破壊）により、安全係数の計算を回避でき、シミュレーション1件あたりのコストを顕著に削減した。
• 本研究は、MLサーモグラフィックモデルが、計算コストの高いMCシミュレーションを、最小限の精度損失で代替可能であることを確認した。