[논문 리뷰] Efficient Seismic fragility curve estimation by Active Learning on Support Vector Machines

Rémi Sainct, Cyril Feau외 2명|arXiv (Cornell University)|2018. 09. 25.

Structural Health Monitoring Techniques참고 문헌 20인용 수 4

한 줄 요약

이 논문은 구조적 분석 계산을 최소화하면서 비모수적 지진 위험도 곡선을 효율적으로 추정하기 위해 지지벡터기반기반(SVMs) 활성학습 프레임워크를 제안한다. 구조적 반응을 실패 임계값 기반 이진 분류 문제로 간주하고, SVM 점수를 확률적 강도 척도로 사용함으로써, 단지 100~1,000회의 시뮬레이션으로도 전통적인 PGA 기반 위험도 곡선과 비모수적 모델보다 기울기와 정밀도 면에서 뛰어난 성능을 달성한다.

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.

연구 동기 및 목표

• 로그정규분포와 같은 비모수적 가정에 의존하지 않고 비모수적이고 계산적으로 효율적인 지진 위험도 곡선 추정 방법을 개발하기 위해.
• 지진 확률적 위험 평가(SPRA)에서 요구되는 고비용 비선형 시뮬레이션 분석의 수를 줄이기 위해.
• 전통적인 매개변수(예: PGA) 대신 SVM 점수를 사용함으로써 최적의 지진 강도 척도 지표를 식별하기 위해.
• 지진 하중 하에서 복잡한 구조 거동을 표현하는 데에 한계가 있는 비모수적 모델의 문제점을 해결하기 위해.
• 활성학습을 SVM과 통합하여 가장 정보가 많은 시뮬레이션을 지능적으로 선택함으로써 계산 부담을 최소화하기 위해.

제안 방법

• SVM 성능 향상을 위해 지진 입력을 관련 매개변수(예: PGA, V, L, ω₀)로 압축하기 위해 박스-콕스 변환을 적용한다.
• 각 지진 입력 샘플에 대해 구조물이 실패 임계값을 초과하는지 여부를 판단하기 위해 이진 분류 SVM을 사용한다.
• 가장 불확실하거나 정보가 많은 시뮬레이션을 반복적으로 선택하여 레이블링함으로써, 분석이 필요한 수를 최소화하는 활성학습을 적용한다.
• SVM 결정 함수 출력(즉, '점수')를 위험도 곡선 추정을 위한 확률적 강도 척도로 활용한다.
• SVM 점수를 실패 확률 추정치로 해석하여, 점수 함수 또는 전통적인 강도 척도 대비 위험도 곡선을 구축할 수 있다.
• 선형 및 RBF 커널 SVM을 융합한 하이브리드 전략을 사용: 고신뢰도 예측에는 선형 커널을, 불확실한 영역에는 RBF 커널을 사용하여 정확도를 향상시킨다.

실험 결과

연구 질문

• RQ1 SVM 기반 활성학습이 지진 위험도 곡선을 추정하기 위해 필요한 구조적 분석의 수를 상당히 줄일 수 있는가?
• RQ2 SVM 점수는 전통적인 매개변수(예: PGA)보다 더 정확하고 기울기가 급한 강도 척도 지표인가?
• RQ3 위험도 곡선 정확도와 계산 비용 측면에서 선형 커널 SVM과 RBF 커널 SVM 간의 성능 비교는 어떠한가?
• RQ4 선형 및 RBF 커널을 융합한 하이브리드 SVM 접근법이 정확도를 희생시키지 않고도 정확도를 향상시킬 수 있는가?
• RQ5 데이터 전처리(예: 박스-콕스 변환)가 비모수적 위험도 곡선 추정에서 선형 SVM의 성능 향상에 얼마나 기여하는가?

주요 결과

• 선형 SVM와 박스-콕스 전처리를 사용해 단지 100회의 시뮬레이션으로도 기준 몬테카를로 곡선 대비 1.8%의 L₂ 오차를 기록하여 위험도 곡선을 추정하였다.
• 점수 기반 위험도 곡선은 PGA 기반 곡선보다 더 기울고 정확하여 실패 잠재력의 구분 능력이 뛰어나다는 것을 보여주었다.
• 시험 설정에서 L 기반 위험도 곡선은 PGA 기반 곡선과 유사한 성능을 보였다.
• RBF 커널은 1,000회의 시뮬레이션을 통해 PRBP 0.85를 달성했지만, 단독으로 사용할 경우 20%의 치명적인 L₂ 오차를 기록하여 위험도 곡선 구축에 있어 불안정함을 보였다.
• 고신뢰도 영역에는 선형 SVM, 불확실 영역에는 RBF 커널을 사용하는 하이브리드 접근법은 2.3%의 L₂ 오차를 기록하여 순수 RBF보다 뛰어난 성능을 보였고, 최고 성능을 보인 선형 방법과도 유사한 정확도를 확보하였다.
• SVM 점수가 유효하고 효과적인 강도 척도 지표로 입증되었으며, 전통적인 지진 매개변수를 대체하거나 초월할 수 있는 잠재력을 지녔다.