[논문 리뷰] Slope stability predictions on spatially variable random fields using machine learning surrogate models

Mohammad Aminpour, Reza Alaie외 3명|arXiv (Cornell University)|2022. 04. 04.

Geotechnical Engineering and Analysis인용 수 4

한 줄 요약

이 논문은 공간적으로 변동성이 있는 랜덤 필드에서 경사안정성 분석을 가속화하기 위해 기계학습(ML) 서rogate 모델링 기법을 제안한다. 몬테카를로 시뮬레이션 데이터의 0.47%에 해당하는 500개 샘플 뿐만으로도 실패 또는 비실패를 85% 정확도와 91% AUC로 예측하는 모델을 학습하였으며, 계산 시간을 306일에서 6시간 이내로 단축하면서도 높은 신뢰성을 유지하였다. 테스트된 알고리즘 중 랜덤 포레스트와 배깅 앙상블가 가장 뛰어난 성능을 보였다.

ABSTRACT

Random field Monte Carlo (MC) reliability analysis is a robust stochastic method to determine the probability of failure. This method, however, requires a large number of numerical simulations demanding high computational costs. This paper explores the efficiency of different machine learning (ML) algorithms used as surrogate models trained on a limited number of random field slope stability simulations in predicting the results of large datasets. The MC data in this paper require only the examination of failure or non-failure, circumventing the time-consuming calculation of factors of safety. An extensive dataset is generated, consisting of 120,000 finite difference MC slope stability simulations incorporating different levels of soil heterogeneity and anisotropy. The Bagging Ensemble, Random Forest and Support Vector classifiers are found to be the superior models for this problem amongst 9 different models and ensemble classifiers. Trained only on 0.47% of data (500 samples), the ML model can classify the entire 120,000 samples with an accuracy of %85 and AUC score of %91. The performance of ML methods in classifying the random field slope stability results generally reduces with higher anisotropy and heterogeneity of soil. The ML assisted MC reliability analysis proves a robust stochastic method where errors in the predicted probability of failure using %5 of MC data is only %0.46 in average. The approach reduced the computational time from 306 days to less than 6 hours.

연구 동기 및 목표

• 경사안정성에 대한 공간적으로 변동성이 있는 랜덤 필드의 몬테카를로(MC) 신뢰도 분석에서 발생하는 높은 계산 비용을 줄이기 위해.
• 다양한 기계학습 모델이 공간적으로 변동성이 있는 토양 필드에서의 경사 실패를 서로서로 예측하는 데 얼마나 효과적인지 평가하기 위해.
• 정확한 ML 기반의 실패 확률 예측을 위해 필요한 최소한의 훈련 데이터 크기를 규명하기 위해.
• 토양의 이방성 및 비균일성 수준이 변화함에 따라 ML 서rogate 모델의 일반화 성능에 어떤 영향을 미치는지 평가하기 위해.
• 예측된 실패 확률를 기준 결과와 비교하여 ML 보조 몬테카를로 방법의 타당성을 검증하기 위해.

제안 방법

• 공간적으로 변동성이 있는 토양 성질을 가진 경사에 대한 유한차분 시뮬레이션 12만 건의 대규모 합성 데이터셋을 생성하였다.
• 실패 여부를 이진 결과(실패 또는 비실패)로 정의하여 안정성 계수 계산에 소요되는 시간을 줄였다.
• 데이터셋의 소규모 부분집합(500개 샘플)을 사용해 랜덤 포레스트, 배깅 앙상블, 서포트 벡터 머신 등 9종의 기계학습 분류기 모델을 훈련시켰다.
• 검증 데이터에 대한 일반화 성능을 향상시키기 위해 교차검증 및 하이퍼파rameter 튜닝을 수행하였다.
• 학습된 ML 모델을 활용해 전체 12만 개 샘플 데이터셋을 분류함으로써 계산 부담을 크게 감소시켰다.
• 5%의 몬테카를로 데이터를 사용해 기준 결과와 비교함으로써 ML 보조 몬테카를로 방법의 정확성을 검증하였다.

실험 결과

연구 질문

• RQ1 작은 비율의 전체 몬테카를로 시뮬레이션 데이터만으로도 기계학습 서rogate 모델이 공간적으로 변동성이 있는 랜덤 필드에서의 경사 실패를 정확하게 예측할 수 있는가?
• RQ2 이방성 및 비균일한 토양 필드에서 경사 안정성 결과를 분류하는 데 있어 어떤 기계학습 알고리즘이 가장 우수한 성능을 보이는가?
• RQ3 토양의 이방성 및 비균일성이 증가할수록 ML 서rogate 모델의 일반화 성능에 어떤 영향을 미치는가?
• RQ4 ML 모델은 정확도를 유지하면서 얼마나 많은 계산 시간을 단축시킬 수 있는가?
• RQ5 전체 기준 시뮬레이션과 비교했을 때, ML 보조 몬테카를로 방법이 실패 확률을 추정할 때 얼마나 정확한가?

주요 결과

• 배깅 앙상블과 랜덤 포레스트 분류기가 가장 높은 성능을 보였으며, 전체 12만 개 샘플 데이터셋에서 500개 샘플(전체 데이터의 0.47%)로 훈련한 결과 85% 정확도와 91% AUC를 달성하였다.
• 12만 개 시뮬레이션의 계산 시간은 학습된 ML 서rogate 모델을 사용함으로써 306일에서 6시간 이내로 단축되었다.
• 몬테카를로 데이터의 5%만을 사용해도 예측된 실패 확률의 평균 오차가 0.46%에 불과하여, ML 보조 접근 방식의 높은 신뢰성을 입증하였다.
• 토양의 이방성 및 비균일성이 증가할수록 모델 성능이 저하되어 복잡한 토양 조건에서는 더 높은 불확실성이 존재함을 시사하였다.
• 이진 분류 방식(실패/비실패)은 안정성 계수 계산이 필요 없게 하여 시뮬레이션 당 비용을 크게 감소시켰다.
• 본 연구는 ML 서rogate 모델이 정확도 손실이 최소한이 되도록 경사안정성 신뢰도 분석에서 계산 비용이 높은 몬테카를로 시뮬레이션을 대체할 수 있음을 확인하였다.