[논문 리뷰] Sampling Techniques in Bayesian Finite Element Model Updating

Ilyes Boulkaibet, T. Marwala외 3명|arXiv (Cornell University)|2011. 10. 15.

Structural Health Monitoring Techniques인용 수 10

한 줄 요약

이 논문은 구조동역학에서 베이지안 유한요소모델 업데이트를 위한 마르코프 체인 몽테카를로(MCMC) 샘플링 기법 세 가지—메트로폴리스-하스팅스(MH), 슬라이스 샘플링, 하이브리드 몽테카를로(HMC)—를 평가한다. HMC는 특히 면적 모멘트 관성률과 단면적과 같은 다수의 매개변수를 업데이트할 때 효율성과 수렴성 면에서 MH와 슬라이스 샘플링을 뛰어넘는 것으로 나타났으며, 단일 매개변수인 엥글라르 모odulus를 업데이트할 경우 MH는 슬라이스 샘플링보다 더 우수한 성능을 보였다.

ABSTRACT

Recent papers in the field of Finite Element Model (FEM) updating have highlighted the benefits of Bayesian techniques. The Bayesian approaches are designed to deal with the uncertainties associated with complex systems, which is the main problem in the development and updating of FEMs. This paper highlights the complexities and challenges of implementing any Bayesian method when the analysis involves a complicated structural dynamic model. In such systems an analytical Bayesian formulation might not be available in an analytic form; therefore this leads to the use of numerical methods, i.e. sampling methods. The main challenge then is to determine an efficient sampling of the model parameter space. In this paper, three sampling techniques, the Metropolis-Hastings (MH) algorithm, Slice Sampling and the Hybrid Monte Carlo (HMC) technique, are tested by updating a structural beam model. The efficiency and limitations of each technique is investigated when the FEM updating problem is implemented using the Bayesian Approach. Both MH and HMC techniques are found to perform better than the Slice sampling when Young's modulus is chosen as the updating parameter. The HMC method gives better results than MH and Slice sampling techniques, when the area moment of inertias and section areas are updated.

연구 동기 및 목표

• 고차원 매개변수 공간을 가진 복잡한 구조물 시스템에서 베이지안 유한요소모델 업데이트에 있어 효율적인 샘플링 문제를 해결하기 위해.
• 베이지안 FEM 업데이트의 맥락에서 메트로폴리스-하스팅스, 슬라이스 샘플링, 하이브리드 몽테카를로의 세 가지 MCMC 샘플링 기법의 성능을 평가하기 위해.
• 연질 모odulus, 면적 모멘트 관성률, 단면적과 같은 구조 매개변수 업데이트에 가장 효율적인 샘플링 방법을 규명하기 위해.
• 모델 복잡성과 매개변수 차원 수의 변화에 따라 각 샘플링 기법의 한계와 계산 효율성을 평가하기 위해.
• 실제 공학 응용 분야에서 베이지안 구조 모델 업데이트에 최적의 샘플링 방법을 선택하는 데 실용적인 지침을 제공하기 위해.

제안 방법

• 구조 매개변수를 사전 분포를 가진 랜덤 변수로 간주함으로써 베이지안 추론을 적용하여 유한요소 모델을 업데이트한다.
• 메트로폴리스-하스팅스 알고리즘을 사용하여 후행 분포로 수렴하는 마르코프 체인을 생성한다.
• 슬라이스 샘플링을 적용하여 밀도 함수 아래에서 균일하게 샘플링함으로써 랜덤 워크 행동을 피한다.
• 가짜 운동량 변수를 도입하여 해밀토니안 역학을 구현하고 랜덤 워크 행동을 줄이는 하이브리드 몽테카를로(HMC)를 구현한다.
• 연질 모드, 면적 모멘트 관성률, 단면적을 변화시킨 빔 유한요소 모델에 대해 세 샘플링 기법을 모두 테스트한다.
• 수치 시뮬레이션을 통해 수렴 속도, 혼합 효율성, 계산 비용을 세 방법 간에 비교한다.

실험 결과

연구 질문

• RQ1 베이지안 추론을 사용하여 유한요소 모델을 업데이트할 때, 메트로폴리스-하스팅스, 슬라이스 샘플링, 하이브리드 몽테카를로의 수렴 속도와 혼합 효율성은 어떻게 비교되는가?
• RQ2 단일 구조 매개변수, 예를 들어 엥글라르 모odulus를 업데이트할 경우 가장 효과적인 샘플링 기법은 무엇인가?
• RQ3 면적 모멘트 관성률과 단면적과 같은 다중 매개변수 업데이트 시 각 샘플링 기법의 성능는 어떻게 변화하는가?
• RQ4 구조동역학에서 흔한 고차원 매개변수 공간에서 각 샘플링 기법의 계산적 트레이드오프와 한계는 무엇인가?
• RQ5 HMC는 전통적인 MCMC 방법에 비해 베이지안 유한요소모델 업데이트에서 샘플링 효율성을 크게 향상시킬 수 있는가?

주요 결과

• 하이브리드 몽테카를로(HMC) 방법은 메트로폴리스-하스팅스(MH)와 슬라이스 샘플링보다 수렴 속도와 혼합 효율성 면에서 뛰어난 성능을 보였다.
• 단지 엥글라르 모odulus만 업데이트할 경우, 메트로폴리스-하스팅스 알고리즘이 슬라이스 샘플링보다 샘플링 효율성과 수렴성 면에서 뛰어났다.
• 면적 모멘트 관성률과 단면적을 포함한 다중 매개변수 업데이트 시 HMC는 MH와 슬라이스 샘플링보다 더 정확하고 신뢰할 수 있는 후행 추정치를 도출하였다.
• 슬라이스 샘플링은 특히 고차원 매개변수 공간에서 가장 느린 수렴과 가장 열악한 혼합 성능를 보였다.
• HMC는 해밀토니안 역학을 활용하여 랜덤 워크 행동을 감소시켜 매개변수 공간의 더 빠른 탐색과 계산 효율성 향상을 이끌었다.
• 본 연구는 샘플링 기법의 선택이 복잡한 구조물 시스템에서의 베이지안 유한요소모델 업데이트 정확도와 효율성에 상당한 영향을 미친다는 것을 확인하였다.