[論文レビュー] Sampling Techniques in Bayesian Finite Element Model Updating

Ilyes Boulkaibet, T. Marwala+3 more|arXiv (Cornell University)|Oct 15, 2011

Structural Health Monitoring Techniques被引用数 10

ひとこと要約

本稿は、構造動力学におけるベイジアン有限要素モデル更新の文脈で、マルコフ連鎖モンテカルロ（MCMC）サンプリング手法として、メトロポリス・ハスティングス（MH）、スライスサンプリング、ハイブリッドモンテカルロ（HMC）の3つの手法を評価している。HMCは、特に断面二次モーメントや断面積といった複数のパラメータを同時に更新する場合に、MHおよびスライスサンプリングよりも高い効率性と収束性を示すことが明らかになった。一方、ヤング率のみを更新する場合には、MHがスライスサンプリングよりも優れた性能を示した。

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.

研究の動機と目的

• 高次元パrameter空間を有する複雑な構造システムにおいて、ベイジアン有限要素モデル更新のための効率的サンプリングの課題に対処すること。
• ベイジアンFEM更新の文脈において、メトロポリス・ハスティングス、スライスサンプリング、ハイブリッドモンテカルロの3つのMCMCサンプリング手法の性能を評価すること。
• ヤング率、断面二次モーメント、断面積といった構造パラメータの更新に最も効率的なサンプリング手法を特定すること。
• モデルの複雑さやパラメータ次元数の変化に伴う、各サンプリング手法の制限および計算効率を評価すること。
• 実世界の工学的応用におけるベイジアン構造モデル更新のための最適なサンプリング手法の選定に関する実用的指針を提供すること。

提案手法

• 構造パラメータを事前分布を有する確率変数として扱うことで、ベイジアン推論を用いて有限要素モデルを更新する。
• メトロポリス・ハスティングスアルゴリズムを用いて、パラメータの後験分布に収束するマルコフ連鎖を生成する。
• スライスサンプリングを用いて、密度関数の下で一様にサンプリングすることで、ランダムウォーク行動を回避する。
• ハイブリッドモンテカルロ（HMC）を実装する際、仮想の運動量変数を導入し、ハミルトニアン力学を用いてランダムウォーク行動を低減する。
• ヤング率、断面二次モーメント、断面積を変化させる梁の有限要素モデルを用いて、3つの手法をテストする。
• 数値シミュレーションを用いて、収束速度、混合効率、計算コストの観点から3つの手法を比較する。

実験結果

リサーチクエスチョン

• RQ1 ベイジアン推論を用いた有限要素モデル更新において、メトロポリス・ハスティングス、スライスサンプリング、ハイブリッドモンテカルロの各手法が、収束速度および混合効率においてどのように性能を発揮するか。
• RQ2 ヤング率といった単一の構造パラメータを更新する場合、どのサンプリング手法が最も効果的か。
• RQ3 断面二次モーメントや断面積といった複数のパラメータを同時に更新する場合、各サンプリング手法の性能はどのように変化するか。
• RQ4 構造動力学に一般的に見られる高次元パrameter空間において、各サンプリング手法の計算的トレードオフおよび制限は何か。
• RQ5 ハイブリッドモンテカルロ（HMC）は、従来のMCMC手法に比べて、ベイジアン有限要素モデル更新におけるサンプリング効率を著しく向上させることができるか。

主な発見

• ハイブリッドモンテカルロ（HMC）手法は、メトロポリス・ハスティングスおよびスライスサンプリングと比較して、収束速度および混合効率の観点で優れた性能を示した。
• ヤング率のみを更新する場合、メトロポリス・ハスティングスアルゴリズムはスライスサンプリングよりもサンプリング効率および収束性において優れていた。
• 断面二次モーメントおよび断面積といった多パラメータ更新においては、HMCがMHおよびスライスサンプリングよりもより正確で信頼性の高い後験分布推定を実現した。
• スライスサンプリングは、特に高次元パrameter空間において、最も遅い収束および最悪の混合性能を示した。
• HMCがハミルトニアン力学を用いることで、ランダムウォーク行動が低減され、パrameter空間の探索が高速化され、計算効率が向上した。
• 本研究は、複雑な構造システムにおけるベイジアン有限要素モデル更新の精度および効率に、サンプリング手法の選定が顕著に影響することを確認した。