[论文解读] A general framework for uncertainty quantification under non-Gaussian input dependencies

Emiliano Torre, Stefano Marelli+2 more|arXiv (Cornell University)|Sep 25, 2017

Probabilistic and Robust Engineering Design被引用 3

一句话总结

该论文提出了一种通用框架，用于在非高斯输入依赖条件下进行不确定性量化（UQ），通过使用藤 copula 对多变量输入依赖关系进行建模，实现数据驱动的推断，并可与多种 UQ 方法无缝集成。结果表明，即使在数据有限的情况下，藤 copula 也显著优于高斯假设，能更准确地估计响应统计量和可靠性指标。

ABSTRACT

Systems subject to uncertain inputs produce uncertain responses. Uncertainty quantification (UQ) deals with the estimation of statistics of the system response, given a computational model of the system and a probabilistic model of its inputs. In engineering applications it is common to assume that the inputs are mutually independent or coupled by a Gaussian or elliptical dependence structure (copula). In this paper we overcome such limitations by modelling the dependence structure of multivariate inputs as vine copulas. Vine copulas are models of multivariate dependence built from simpler pair-copulas. The vine representation is flexible enough to capture complex dependencies. This paper formalises the framework needed to build vine copula models of multivariate inputs and to combine them with virtually any UQ method. The framework allows for a fully automated, data-driven inference of the probabilistic input model on available input data. The procedure is exemplified on two finite element models of truss structures, both subject to inputs with non-Gaussian dependence structures. For each case, we analyse the moments of the model response (using polynomial chaos expansions), and perform a structural reliability analysis to calculate the probability of failure of the system (using the first order reliability method and importance sampling). Reference solutions are obtained by Monte Carlo simulation. The results show that, while the Gaussian assumption yields biased statistics, the vine copula representation achieves significantly more precise estimates, even when its structure needs to be fully inferred from a limited amount of observations.

研究动机与目标

• 为解决工程系统不确定性量化（UQ）中假设输入依赖独立或服从高斯分布的局限性。
• 开发一种灵活、数据驱动的框架，用于建模不确定输入中复杂、非高斯的多变量依赖结构。
• 实现基于藤 copula 的输入模型与多种 UQ 方法（包括多项式混沌和可靠性分析）的无缝集成。
• 通过使用真实输入数据的有限元模型，验证该框架在估计响应矩和失效概率方面的准确性。
• 在观测数据有限的条件下，以蒙特卡洛模拟作为参考解，对方法进行验证。

提出的方法

• 使用藤 copula 建模多变量输入依赖关系，通过将高维依赖关系分解为一系列成对 copula，实现灵活性与可计算性的平衡。
• 采用数据驱动推断方法，自动从可用的输入观测数据中学习藤 copula 的结构与参数。
• 将推断得到的藤 copula 模型与多项式混沌展开结合，用于估计响应矩。
• 在藤 copula 输入模型下，应用一阶可靠性方法（FORM）和重要性抽样进行结构可靠性分析。
• 通过与蒙特卡洛模拟获得的参考解对比，评估结果的准确性与偏差。
• 通过模块化、通用化的框架设计，确保与多种 UQ 方法的兼容性。

实验结果

研究问题

• RQ1 与高斯输入假设相比，藤 copula 框架在具有非高斯依赖关系的系统中，如何提升不确定性量化精度？
• RQ2 在工程应用中，藤 copula 能在多大程度上从有限的输入数据中准确推断出复杂的依赖结构？
• RQ3 所提出的框架能否与标准 UQ 方法（如多项式混沌和可靠性分析）实现无缝集成？
• RQ4 使用藤 copula 估计的响应统计量和失效概率与蒙特卡洛参考解相比如何？
• RQ5 在桁架结构模型中，依赖结构误设（如假设为高斯分布）对 UQ 结果有何影响？

主要发现

• 与高斯假设相比，藤 copula 框架在输入依赖关系为非高斯时，能显著提高响应矩的估计精度。
• 即使观测数据有限，藤 copula 模型仍可通过数据驱动的结构学习，实现对系统响应统计量的精确估计。
• 基于藤 copula 的结构可靠性分析可提供比基于高斯方法更准确的失效概率估计，后者表现出明显的偏差。
• 该框架成功集成了多项式混沌展开与可靠性分析方法，证明了其在各类 UQ 技术中的广泛适用性。
• 蒙特卡洛模拟作为稳健参考解，证实藤 copula 能够降低统计矩和失效概率预测中的偏差。
• 结果表明，在具有复杂输入依赖关系的真实工程系统中，假设依赖关系为高斯分布可能导致误导性的 UQ 结果。