[논문 리뷰] Bayesian calibration of a numerical code for prediction

Mathieu Carmassi, Pierre Barbillon외 3명|arXiv (Cornell University)|2018. 01. 05.

Probabilistic and Robust Engineering Design인용 수 11

한 줄 요약

이 논문은 복잡한 산업 시뮬레이션에서 예측 정확도를 향상시키기 위해 수치 코드에 대한 베이지안 校정 프레임워크를 제안한다. 특히 태양광 발전소의 전력 출력을 예측하는 데 적용된다. 가우시안 프로세스 에뮬레이터와 코드의 오차 및 校정 매개변수에 대한 계층적 모델링을 결합함으로써, 이 방법은 불확실성을 정량화하고 감소시켜 표준 코드 출력만으로는 얻을 수 없는 더 신뢰할 수 있는 예측을 가능하게 한다.

ABSTRACT

Field experiments are often difficult and expensive to make. To bypass these issues, industrial companies have developed computational codes. These codes intend to be representative of the physical system, but come with a certain amount of problems. The code intends to be as close as possible to the physical system. It turns out that, despite continuous code development, the difference between the code outputs and experiments can remain significant. Two kinds of uncertainties are observed. The first one comes from the difference between the physical phenomenon and the values recorded experimentally. The second concerns the gap between the code and the physical system. To reduce this difference, often named model bias, discrepancy, or model error, computer codes are generally complexified in order to make them more realistic. These improvements lead to time consuming codes. Moreover, a code often depends on parameters to be set by the user to make the code as close as possible to field data. This estimation task is called calibration. This paper proposes a review of Bayesian calibration methods and is based on an application case which makes it possible to discuss the various methodological choices and to illustrate their divergences. This example is based on a code used to predict the power of a photovoltaic plant.

연구 동기 및 목표

• 산업 시뮬레이션에서 수치 코드 출력과 실제 현장 측정치 사이의 지속적인 격차를 해소하기 위해.
• 베이지안 추론을 사용하여 코드 매개변수를 校정함으로써 예측의 모델 편향과 불확실성을 줄이기 위해.
• 복잡하고 계산 비용이 큰 수치 모델에서의 불확실성 정량화를 위한 강건한 프레임워크를 개발하기 위해.
• 실제 응용 사례를 통해 방법의 효과성을 입증하기 위해 — 구체적으로 태양광 발전소의 전력 생산 예측에 적용.

제안 방법

• 이 방법은 계산 비용이 큰 수치 코드를 효율적으로 근사하기 위해 가우시안 프로세스 에뮬레이터를 사용하여 불확실성 전파를 가능하게 한다.
• 코드와 물리적 관측치 사이의 캘리브레이션 매개변수와 모델 오차(편향)를 동시에 추정하기 위해 계층적 베이지안 모델을 구성한다.
• 코드 출력과 현장 데이터 사이의 오차는 평균 함수와 초모수로 매개변수화된 상관 구조를 가진 가우시안 프로세스로 모델링된다.
• 베이즈 정리에 따라 현장 측정치와 코드 시뮬레이션을 모두 고려하여 캘리브레이션 매개변수의 사후 분포를 유도한다.
• 가우시안 프로세스의 최적 선형 무편향 예측자(BLUP)를 사용하여 테스트되지 않은 입력 포인트에서의 코드 출력을 불확실성 정량화와 함께 예측한다.
• 이 접근법은 입력 변동성과 코드 내의 지식 부족 불확실성(에피스테믹 불확실성)을 모두 고려하여 개선된 예측 분포를 도출한다.

실험 결과

연구 질문

• RQ1 베이지안 校정은 산업 응용 분야에서 수치 코드 예측과 실제 현장 측정치 사이의 격차를 어떻게 줄일 수 있는가?
• RQ2 코드 오차를 가우시안 프로세스로 모델링할 경우 예측 정확도와 불확실성 정량화에 어떤 영향을 미치는가?
• RQ3 사전 분포와 상관 구조의 다양한 선택이 캘리브레이션 매개변수의 사후 분포에 어떤 영향을 미치는가?
• RQ4 표준 코드 출력에 비해 베이지안 校정 프레임워크는 예측 성능을 어느 정도 향상시키는가?

주요 결과

• 모델 편향과 매개변수 불확실성을 고려함으로써, 베이지안 校정 접근법은 캘리브레이션되지 않은 코드 출력에 비해 예측 오차를 크게 감소시킨다.
• 가우시안 프로세스로 모델링된 오차 함수를 통합하면 관측 데이터를 더 잘 포함하는 더 신뢰할 수 있는 예측 분포가 도출된다.
• 제한된 실험 데이터 조건에서도 이 방법은 코드 출력이 현장 측정치와 일치하도록 최적의 캘리브레이션 매개변수를 성공적으로 식별한다.
• 가우시안 프로세스 에뮬레이터를 사용함으로써 반복적인 고비용 코드 실행 없이도 효율적인 불확실성 정량화가 가능해진다.
• 계층적 베이지안 모델은 캘리브레이션 매개변수와 모델 오차를 함께 추정하는 일관된 프레임워크를 제공하여 강건성을 향상시킨다.
• 태양광 발전소 예측에 대한 적용 사례는 이 방법이 에너지 시스템 모델링 분야에서 실용적인 유용성을 지닌다는 것을 입증한다.