[논문 리뷰] Surrogate-assisted reliability-based design optimization: a survey and a new general framework

Maliki Moustapha, Bruno Sudret|arXiv (Cornell University)|2019. 01. 10.

Probabilistic and Robust Engineering Design참고 문헌 85인용 수 3

한 줄 요약

이 논문은 신뢰성 기반 설계 최적화(RBDO)를 위한 모듈러하고 비침습적인 프레임워크를 제안한다. 이 프레임워크는 적응형 대체 모델링, 신뢰성 분석, 최적화를 독립적인 블록으로 통합한다. Kriging과 서포트 벡터 머신을 몬테카를로 및 서브세트 시뮬레이션과 조합하고, CMA-ES 또는 SQP를 최적화에 사용함으로써, 16차원 문제에 대해 유일하게 154회의 유한요소 평가만으로도 강건한 해를 도출하여 전통적 방법에 비해 높은 효율성과 정확성을 입증한다.

ABSTRACT

Reliability-based design optimization (RBDO) is an active field of research with an ever increasing number of contributions. Numerous methods have been proposed for the solution of RBDO, a complex problem that combines optimization and reliability analysis. Classical approaches are based on approximation methods and have been classified in review papers. In this paper, we first review classical approaches based on approximation methods such as FORM, and also more recent methods that rely upon surrogate modelling and Monte Carlo simulation. We then propose a general framework for the solution of RBDO problems that includes three independent blocks, namely adaptive surrogate modelling, reliability analysis and optimization. These blocks are non-intrusive with respect to each other and can be plugged independently in the framework. After a discussion on numerical considerations that require attention for the framework to yield robust solutions to various types of problems, the latter is applied to three examples (using two analytical functions and a finite element model). Kriging and support vector machines together with their own active learning schemes are considered in the surrogate model block. In terms of reliability analysis, the proposed framework is illustrated using both crude Monte Carlo and subset simulation. Finally, the covariance-matrix adaptation - evolution scheme (CMA-ES), a global search algorithm, or sequential quadratic programming (SQP), a local gradient-based method, are used in the optimization block. The comparison of the results to benchmark studies show the effectiveness and efficiency of the proposed framework.

연구 동기 및 목표

• 기존의 FORM과 같은 근사 기법에 의존하는 전통적 RBDO 방법의 계산 부담을 해결하기 위해.
• 기존의 대체 모델 기반 RBDO 접근법의 한계를 극복하기 위해 통합적이고 모듈러한 프레임워크를 제안하기 위해.
• 서로 다른 대체 모델, 신뢰성 분석 기법, 최적화 알고리즘 간의 상호 의존 없이도 탄력적인 통합을 가능하게 하기 위해.
• 다양한 복잡도와 확률적 입력 유형을 가진 문제에서 프레임워크의 강건성과 효율성을 검증하기 위해.
• 최소한의 성능 함수 평가로도 분석 함수와 유한요소 모델을 사용하여 프레임워크의 효과성을 입증하기 위해.

제안 방법

• 프레임워크는 RBDO를 세 가지 비침습적이고 독립적인 블록으로 분해한다: 적응형 대체 모델링, 신뢰성 분석, 최적화.
• 적응형 대체 모델링은 활성 학습을 활용한 Kriging과 서포트 벡터 머신을 사용하여 전략적으로 선택된 점들을 반복적으로 추가함으로써 모델을 향상시킨다.
• 신뢰성 분석은 실패 확률을 정확하게 추정하기 위해 원시 몬테카를로 또는 서브세트 시뮬레이션을 사용한다.
• 최적화는 전역 최적화(CMA-ES) 또는 국소 최적화(SQP) 알고리즘을 독립적으로 선택하여 수행한다.
• 혼합된 결정론적 및 난수 변수를 처리하기 위해 확장된 입력 공간을 사용하여 모든 확률적 입력 유형에 대해 일관된 처리를 가능하게 한다.
• 한계 상태 표면 근처에서 충분한 정확도를 확보하기 위해, 부트스트랩-재표본 몬테카를로 테스트를 통해 검증된 기준을 활용해 대체 모델의 향상 수렴 여부를 모니터링한다.

실험 결과

연구 질문

• RQ1 RBDO에서 대체 모델링, 신뢰성 분석, 최적화를 분리할 수 있는 일반적이고 모듈러한 프레임워크를 어떻게 설계할 수 있는가?
• RQ2 Kriging, SVM과 같은 다양한 대체 모델, 원시 몬테카를로, 서브세트 시뮬레이션과 같은 다양한 신뢰성 방법, CMA-ES, SQP와 같은 최적화 알고리즘의 조합이 해의 정확성과 효율성에 미치는 영향는 어떠한가?
• RQ3 고차원성과 비선형성을 가진 문제에서 최소한의 성능 함수 평가로도 높은 정확도를 달성할 수 있는가?
• RQ4 실패 확률이 설계에 핵심적인 영향을 미칠 때, 한계 상태 표면 근처에서 대체 모델 정확도를 어떻게 검증할 수 있는가?
• RQ5 기존의 근사 기반 RBDO 방법인 FORM에 비해 이 프레임워크는 강건성과 신뢰성 측면에서 어느 정도 뛰어나게 성능을 발휘하는가?

주요 결과

• 프레임워크는 16차원 RBDO 문제를 154회의 유한요소 모델 평가만으로 해결하여 높은 계산 효율성을 입증했다.
• 최종 Kriging 대체 모델은 변형의 95번째 백분율(10cm)을 부트스트랩 추정 표준편차와 함께 정확하게 예측하여 모델의 신뢰성을 확인했다.
• 최적 설계는 반경 방향(그룹 2)의 부재에 최대 단면적을 할당한 반면, 비반경 방향이면서 연결되지 않은 부재는 최소화하여 구조적 직관과 일치했다.
• 프레임워크의 모듈러한 설계 덕분에 Kriging/SVM, 몬테카를로/서브세트 시뮬레이션, CMA-ES/SQP 등 다양한 방법의 통합이 수정 없이 원활하게 이루어졌다.
• 1,000점 몬테카를로 샘플링과 500회의 부트스트랩 반복을 통한 검증을 통해 대체 모델이 실제 분위수를 略적으로 과소평가했지만, 좁은 신뢰구간 내에 머물러 있음을 확인했다.
• 프레임워크는 UQLab 플랫폼에 성공적으로 구현되어 향후 연구 및 공학적 응용을 위한 광범위한 배포와 확장성 확보에 기여했다.