[论文解读] A generalized framework for active learning reliability: survey and benchmark

Maliki Moustapha, Stefano Marelli+1 more|arXiv (Cornell University)|Jun 3, 2021

Probabilistic and Robust Engineering Design参考文献 74被引用 10

一句话总结

本文提出了一种用于结构可靠性主动学习的广义模块化框架，整合了代理模型、可靠性估计算法、学习函数和停止准则，系统地生成并基准测试了 across 20 个基准问题的 39 种主动学习策略。主要贡献在于证明了将先进代理模型与复杂可靠性估计算法结合，可显著提升计算效率，并根据问题的特定特征（如维度和失效概率大小）为从业者提供了明确建议。

ABSTRACT

Active learning methods have recently surged in the literature due to their ability to solve complex structural reliability problems within an affordable computational cost. These methods are designed by adaptively building an inexpensive surrogate of the original limit-state function. Examples of such surrogates include Gaussian process models which have been adopted in many contributions, the most popular ones being the efficient global reliability analysis (EGRA) and the active Kriging Monte Carlo simulation (AK-MCS), two milestone contributions in the field. In this paper, we first conduct a survey of the recent literature, showing that most of the proposed methods actually span from modifying one or more aspects of the two aforementioned methods. We then propose a generalized modular framework to build on-the-fly efficient active learning strategies by combining the following four ingredients or modules: surrogate model, reliability estimation algorithm, learning function and stopping criterion. Using this framework, we devise 39 strategies for the solution of 20 reliability benchmark problems. The results of this extensive benchmark are analyzed under various criteria leading to a synthesized set of recommendations for practitioners. These may be refined with a priori knowledge about the feature of the problem to solve, i.e., dimensionality and magnitude of the failure probability. This benchmark has eventually highlighted the importance of using surrogates in conjunction with sophisticated reliability estimation algorithms as a way to enhance the efficiency of the latter.

研究动机与目标

• 通过文献调研，识别近期结构可靠性主动学习方法中的共性与差异。
• 通过开发一种模块化、可扩展的框架，实现实时策略生成，以应对复杂可靠性问题的计算成本。
• 在 20 个标准可靠性问题上对 39 种主动学习策略进行基准测试，以评估其在多样化标准下的表现。
• 基于维度和失效概率大小等先验问题特征，为从业者提供数据驱动的、问题特定的建议。
• 证明将先进代理模型与复杂可靠性估计算法结合在提升效率方面具有关键作用。

提出的方法

• 该框架由四个模块化组件构成：代理模型、可靠性估计算法、学习函数和停止准则，支持灵活的策略组合。
• 代理模型通常为高斯过程，其中 EGRA 和 AK-MCS 作为基础示例，用于高效近似极限状态函数。
• 可靠性估计算法利用蒙特卡罗模拟或类似方法，通过代理预测结果减少所需仿真的次数。
• 学习函数通过最大化信息增益来指导新采样点的选择，例如期望改进或改进概率。
• 停止准则在达到预设精度或收敛阈值时动态终止过程。
• 通过组合不同模块，该框架可系统生成 39 种不同的主动学习策略，并在 20 个基准问题上进行评估。

实验结果

研究问题

• RQ1 代理模型、学习函数、可靠性估计算法和停止准则的变化如何影响可靠性分析中主动学习的效率与准确性？
• RQ2 与标准方法相比，将先进代理模型与复杂可靠性估计算法结合，能在多大程度上提升计算效率？
• RQ3 在不同类别的可靠性问题中，哪些框架组件组合能实现最高效的性能表现，特别是在维度和失效概率方面？
• RQ4 广义模块化框架能否有效统一并扩展现有的结构可靠性主动学习方法？
• RQ5 在已知问题特征（如维度和失效概率大小）的前提下，从业者最有效的策略配置是什么？

主要发现

• 在 20 个可靠性问题上对 39 种策略的基准测试表明，将先进代理模型与复杂可靠性估计算法结合可带来显著的效率提升。
• 结合高斯过程代理模型与先进可靠性估计算法的策略，在计算成本和收敛速度方面持续优于 EGRA 和 AK-MCS 等基线方法。
• 问题特定的建议极为有效：针对低维且失效概率稀少的问题设计的策略，与针对高维或高失效概率情况优化的策略截然不同。
• 所提出的模块化框架支持主动学习策略的系统性探索与比较，为未来研究提供了可扩展且可扩展的基石。
• 停止准则在平衡精度与计算工作量方面起着关键作用，自适应阈值的性能优于固定阈值。
• 结果强调，学习函数的选择影响较小，而代理建模与可靠性估计之间的协同效应更为关键，凸显了算法集成的重要性。