[논문 리뷰] Goal-based sensitivity maps using time windows and ensemble perturbations

Claire E. Heaney, Pablo Salinas외 3명|arXiv (Cornell University)|2018. 04. 01.

Probabilistic and Robust Engineering Design인용 수 1

한 줄 요약

이 논문은 계산 비용이 높은 인접 모델을 대체하기 위해 시간 창과 앙상블 변동을 사용하는 목표 기반 민감도 맵핑 방법을 제안한다. 독립적인 시간 창 내에서 변동을 최적화하고 재정규화를 적용함으로써, 단지 10~20개의 앙상블 멤버만으로도 정확한 민감도 맵핑을 달성하며, 이는 복잡한 다물리학 모델과 다양한 응용 분야(예: 센서 배치 및 데이터 융합)에 효율적으로 적용 가능하다.

ABSTRACT

We present an approach for forming sensitivity maps (or sensitivites) using ensembles. The method is an alternative to using an adjoint, which can be very challenging to formulate and also computationally expensive to solve. The main novelties of the presented approach are: 1) the use of goals, weighting the perturbation to help resolve the most important sensitivities, 2) the use of time windows, which enable the perturbations to be optimised independently for each window and 3) re-orthogonalisation of the solution through time, which helps optimise each perturbation when calculating sensitivity maps. These novel methods greatly reduce the number of ensembles required to form the sensitivity maps as demonstrated in this paper. As the presented method relies solely on ensembles obtained from the forward model, it can therefore be applied directly to forward models of arbitrary complexity arising from, for example, multi-physics coupling, legacy codes or model chains. It can also be applied to compute sensitivities for optimisation of sensor placement, optimisation for design or control, goal-based mesh adaptivity, assessment of goals (e.g. hazard assessment and mitigation in the natural environment), determining the worth of current data and data assimilation. We analyse and demonstrate the efficiency of the approach by applying the method to advection problems and also a non-linear heterogeneous multi-phase porous media problem, showing, in all cases, that the number of ensembles required to obtain accurate sensitivity maps is relatively low, in the order of 10s.

연구 동기 및 목표

• 인접 방정식을 수립하고 풀이하는 데 발생하는 과제를 피하면서, 인접 기반 민감도 분석의 계산 비용을 절감하는 대안을 개발하기 위해.
• 복잡한 정방향 모델에서 정확한 민감도 맵핑을 생성하기 위해 필요한 앙상블 멤버 수를 줄이기 위해.
• 다양한 물리적 상호작용, 레거시 코드, 또는 모델 체인을 포함한 모델에 대해 정방향 모델 앙상블에만 의존함으로써 민감도 분석을 가능하게 하기 위해.
• 실제 응용 분야인 센서 배치 최적화, 목표 기반 메esh 적응, 자연재해 상황에서의 데이터 가치 평가 등을 지원하기 위해.
• 특정 목표에 따라 변동을 가중치를 부여하고 시간 창 내에서 최적화함으로써 민감도 해상도를 향상시키기 위해.

제안 방법

• 이 방법은 특정 목표에 가장 영향을 미치는 변동을 우선시하는 목표 기반 가중치를 사용하여 민감도 맵핑의 관련성을 향상시킨다.
• 시간 창은 시뮬레이션 기간을 분할하여 각 창 내에서 변동을 독립적으로 최적화함으로써 시간 해상도를 향상시킨다.
• 각 시간 단계에서 재정규화를 적용하여 수치적 안정성을 확보하고 변동 전파의 효율성을 향상시킨다.
• 민감도 맵핑은 인접 모델 유도가 필요 없이 정방향 모델 앙상블에서 직접 구성된다.
• 이 방법은 복잡한 물리, 레거시 코드, 또는 모델 체인을 포함한 임의의 정방향 모델과 호환된다.
• 변동은 각 시간 창 내에서 정의된 목표에 대한 영향을 최대화하기 위해 반복적으로 최적화된다.

실험 결과

연구 질문

• RQ1 伝통적인 인접 방법보다 훨씬 적은 앙상블 멤버로 정확한 민감도 맵핑을 생성할 수 있는가?
• RQ2 시간 창 최적화는 민감도 분석의 해상도와 효율성을 어떻게 향상시키는가?
• RQ3 목표 기반 가중치는 식별된 민감도의 관련성을 어느 정도 향상시킬 수 있는가?
• RQ4 이 앙상블 기반 방법은 인접 공식화가 필요 없이 복잡한 다물리학 모델에 효과적으로 적용될 수 있는가?
• RQ5 비선형성과 이질성의 시스템에서 신뢰할 수 있는 민감도 맵핑을 얻기 위해 필요한 최소 앙상블 수는 얼마인가?

주요 결과

• 이 방법은 단지 10~20개의 앙상블 멤버만으로도 정확한 민감도 맵핑을 달성하여, 인접 방법 대비 계산 비용을 크게 절감한다.
• 시간 창 최적화를 통해 국소적이고 고해상도 민감도 분석이 가능해져 중요한 시스템 행동을 보다 정확히 식별할 수 있다.
• 재정규화는 수치적 안정성과 수렴성을 향상시켜 시간에 따라 변동을 효과적으로 전파할 수 있도록 한다.
• 이 방법은 선형 이동 문제뿐 아니라 비선형, 이질적인 다상 투과성 유동 유량 문제에 대해서도 민감도를 성공적으로 계산한다.
• 목표 기반 가중치는 정의된 목표에 가장 영향을 미치는 변동을 효과적으로 우선시하여 결과의 관련성과 해석 가능성을 향상시킨다.
• 모델 수정 없이도 실제 응용 분야인 센서 배치, 메쉬 적응, 데이터 융합 등에 직접 적용 가능하다.