[논문 리뷰] Metamodel-based importance sampling for structural reliability analysis

Vincent Dubourg, François Deheeger외 1명|arXiv (Cornell University)|2011. 05. 03.

Probabilistic and Robust Engineering Design참고 문헌 1인용 수 22

한 줄 요약

이 논문은 비용이 많이 들도록 평가되는 성능 함수를 갖는 구조적 신뢰성 분석을 위한 메타모델 기반 중요 표본 추출 방법을 제안한다. 이 방법은 크리징을 사용하여 준최적의 중요 표본 추출 밀도를 구성함으로써 계산 비용을 줄이고 정확한 고장 확률 추정을 가능하게 한다. 이 접근법은 서로서모델과 편향 보정 보정항을 조합하여, 최대 100개의 랜덤 변수와 희귀 고장 사건을 포함한 문제에서도 높은 효율성을 달성한다.

ABSTRACT

Structural reliability methods aim at computing the probability of failure of systems with respect to some prescribed performance functions. In modern engineering such functions usually resort to running an expensive-to-evaluate computational model (e.g. a finite element model). In this respect simulation methods, which may require $10^{3-6}$ runs cannot be used directly. Surrogate models such as quadratic response surfaces, polynomial chaos expansions or kriging (which are built from a limited number of runs of the original model) are then introduced as a substitute of the original model to cope with the computational cost. In practice it is almost impossible to quantify the error made by this substitution though. In this paper we propose to use a kriging surrogate of the performance function as a means to build a quasi-optimal importance sampling density. The probability of failure is eventually obtained as the product of an augmented probability computed by substituting the meta-model for the original performance function and a correction term which ensures that there is no bias in the estimation even if the meta-model is not fully accurate. The approach is applied to analytical and finite element reliability problems and proves efficient up to 100 random variables.

연구 동기 및 목표

• 성능 함수 평가에 비용이 많이 들기 때문에 몬테카를로 시뮬레이션의 계산 비용이 높은 구조적 신뢰성 분석 문제를 해결하기 위해.
• 희귀 사건의 고장 확률 추정에서 분산을 줄이되, 고비용 시뮬레이션에 의존하지 않기 위해.
• 메타모델 오차를 고려하면서도 고장 확률 추정의 편향이 없는 신뢰할 수 있는 방법을 제공하기 위해.
• 서로서모델링과 활성 학습을 활용하여 최대 100개의 랜덤 변수를 포함한 고차원 문제에서 효율적인 신뢰성 분석을 가능하게 하기 위해.

제안 방법

• 원본 모델의 성능 함수에 대해 제한된 수의 평가를 사용하여 크리징 서로서모델을 구축한다.
• 크리징 모델을 사용하여 고장 영역 근처에 중심을 둔 준최적의 중요 표본 추출 밀도를 정의한다.
• 고장 확률은 두 개의 독립적인 추정기의 곱으로 추정된다: 하나는 메타모델에서 유래하고, 다른 하나는 보정항에서 유래한다.
• 보정항은 메타모델 오차를 고려함으로써 크리징 모델이 부정확할 경우에도 편향 없는 추정을 보장한다.
• 한계 상태 근처에 새로운 샘플을 집중적으로 추가함으로써 메타모델 정확도를 향상시키는 활성 학습 기법을 사용한다. 이로 인해 추가 평가 수를 최소화하면서도 정확도를 높일 수 있다.
• 표본 추출을 효율적으로 수행하기 위해 슬라이스 샘플링 기법을 활용한다.

실험 결과

연구 질문

• RQ1 메타모델링과 중요 표본 추출을 어떻게 조합하여 평가에 비용이 많이 드는 모델의 신뢰성 분석에서 계산 부담을 줄일 수 있는가?
• RQ2 크리징 서로서모델을 사용하여 고장 영역 근처에 집중된 효과적인 중요 표본 추출 밀도를 정의할 수 있는가?
• RQ3 메타모델 근사로 인해 발생하는 편향은 어떻게 보정하여 고장 확률 추정의 편향 없는 결과를 확보할 수 있는가?
• RQ4 표준 몬테카를로 또는 서로서모델 전용 방법에 비해 분산 감소 및 필요 샘플 수 감소 측면에서 어떤 효율성 향상이 이루어지는가?
• RQ5 특히 최대 100개의 랜덤 변수를 포함한 문제에서 차원 증가에 따라 이 방법의 스케일링 능력은 어떠한가?

주요 결과

• 제안된 방법은 표준 몬테카를로 방법에 비해 분산 감소가著히 높아져, 훨씬 적은 모델 평가 수로도 정확한 고장 확률 추정이 가능하다.
• 편향 보정 추정기 덕분에 크리징 서로서모델이 불완전할 경우에도 최종 고장 확률 추정치가 편향 없이 유지된다.
• 최대 100개의 랜덤 변수를 포함한 문제에서도 높은 정확도와 효율성을 유지하며, 기존의 서로서모델 기반 방법을 초월하는 확장성을 입증한다.
• 활성 학습 전략은 한계 상태 근처에 새로운 샘플을 효과적으로 타겟팅하여, 추가적인 계산 비용을 최소화하면서도 크리징 모델의 정확도를 향상시킨다.
• 최종 추정기의 변동계수는 중간 정도의 샘플 수로 10% 이하로 유지되며, 이는 높은 신뢰성과 효율성을 나타낸다.
• 희귀 고장 사건에 대해 표준 몬테카를로 및 서로서모델 전용 방법에 비해 계산 효율성과 강건성 측면에서 뛰어난 성능을 보였다.