[논문 리뷰] Calibration and improved prediction of computer models by universal Kriging

François Bachoc, Guillaume Bois외 2명|arXiv (Cornell University)|2013. 01. 17.

Probabilistic and Robust Engineering Design참고 문헌 33인용 수 34

한 줄 요약

이 논문은 컴퓨터 모델과 물리 시스템 간의 편향을 가우시안 프로세스로 모델링하여 실험 데이터를 활용해 컴퓨터 모델을 校정하고 예측 성능을 향상시키는 통합 Kriging 프레임워크를 제안한다. 이 방법은 엄밀한 校정, 불확실성 정량화 및 예측 성능 향상을 가능하게 하며, 열수역학 코드 FLICA 4 응용 사례에서 예측 오차를 최대 30%까지 감소시켜 성능 향상을 입증하였다.

ABSTRACT

This paper addresses the use of experimental data for calibrating a computer model and improving its predictions of the underlying physical system. A global statistical approach is proposed in which the bias between the computer model and the physical system is modeled as a realization of a Gaussian process. The application of classical statistical inference to this statistical model yields a rigorous method for calibrating the computer model and for adding to its predictions a statistical correction based on experimental data. This statistical correction can substantially improve the calibrated computer model for predicting the physical system on new experimental conditions. Furthermore, a quantification of the uncertainty of this prediction is provided. Physical expertise on the calibration parameters can also be taken into account in a Bayesian framework. Finally, the method is applied to the thermal-hydraulic code FLICA 4, in a single phase friction model framework. It allows to improve the predictions of the thermal-hydraulic code FLICA 4 significantly.

연구 동기 및 목표

• 실험 데이터를 통합하여 결정론적 컴퓨터 모델의 예측 성능을 향상시키는 도전 과제를 해결한다.
• 컴퓨터 모델 출력과 실제 물리 시스템 행동 간의 편향을 정량화하고 감소시킨다.
• 예측의 불확실성 정량화를 포함한 통계적 校정 프레임워크를 제공한다.
• 베이지안 접근을 통해 校정 파라미터에 대한 물리적 전문 지식을 통합한다.
• 실제 원자력 공학 응용 사례에서의 방법 유효성을 입증한다 — FLICA 4 코드 기반 적용

제안 방법

• 컴퓨터 모델과 물리 시스템 간의 편차(편향)를 평균이 0인 가우시안 프로세스의 실현으로 모델링한다.
• 통합 Kriging을 사용해 실험 데이터와 모델 구조를 모두 반영하면서 컴퓨터 모델 파라미터와 편향 함수를 동시에 추정한다.
• 사전 지식을 반영하기 위해 베이지안 프레임워크를 적용하여 사후 분포를 통해 신념을 갱신한다.
• 공분산 함수의 초모수(예: Matérn, 지수형)를 최대우도 또는 교차검증을 통해 추정한다.
• 예측 성능 평가를 위해 10중 교차검증을 적용하고, RMSE 및 정보기준(IC)을 사용한다.
• Kriging 모델의 예측 평균과 분산을 활용해 불확실성 정량화를 위한 예측 구간을 구성한다.

실험 결과

연구 질문

• RQ1 어떻게 실험 데이터를 체계적으로 활용하여 컴퓨터 모델을 校정하고 그 예측 정확도를 향상시킬 수 있는가?
• RQ2 편향에 대한 가우시안 프로세스 모델이 컴퓨터 시뮬레이션의 예측 오차를 어느 정도 감소시킬 수 있는가?
• RQ3 모델 파라미터에 대한 사전 물리 지식을 통합할 경우, 校정 성능과 불확실성 정량화에 어떤 영향을 미치는가?
• RQ4 제한된 데이터 상황에서 어떤 공분산 함수(예: Matérn, 지수형)가 가장 정확하고 강건한 예측을 제공하는가?
• RQ5 제안된 방법이 관측된 실험 결과를 포함하는 신뢰할 수 있는 예측 구간을 제공할 수 있는가?

주요 결과

• 통합 Kriging 접근법은 비등온 상태에서 예측 오차를 크게 감소시켰으며, Matérn 3/2 공분산 함수가 RMSE 296.2 Pa를 달성하였다.
• 단상태에서 Matérn 3/2 및 Matérn 5/2 공분산 함수가 각각 RMSE 196.2 Pa 및 196.9 Pa로 가장 낮은 오차를 기록하였다.
• 모델은 잘 校정된 예측 구간을 제공하였으며, 양 상태 모두에서 90%의 예측 오차가 90% 신뢰구간 내에 포함되었다.
• 교정 파라미터에 대한 사전 정보 통합은 사후 추정을 향상시켜 더 정확한 예측을 이끌어내었으며, 사후 밀도 윤곽도 이를 뒷받침한다.
• 지수형 공분산 함수는 비등온 상태에서 최고의 정보기준(IC) 0.93을 기록하여 우수한 모델 적합도를 보였다.
• FLICA 4 열수역학 코드에 대한 적용은 예측 정확도의 상당한 향상을 입증하였으며, 실제 원자력 공학 분야에서의 유효성을 검증하였다.