[论文解读] Causal Discovery and Causal Learning for Fire Resistance Evaluation: Incorporating Domain Knowledge

M.Z. Naser, Aybike Özyüksel Çiftçioğlu|arXiv (Cornell University)|Apr 11, 2022

Concrete Corrosion and Durability被引用 5

一句话总结

本文提出了一种因果发现与推理框架，通过结合领域知识与机器学习，评估钢筋混凝土（RC）柱的耐火性能。该框架利用因果发现算法识别关键变量之间的因果结构，并采用推理方法估计干预效应，相较于传统机器学习方法和仅依赖领域知识的方法，展现出更优的可解释性与准确性。

ABSTRACT

Experiments remain the gold standard to establish an understanding of fire-related phenomena. A primary goal in designing tests is to uncover the data generating process (i.e., the how and why the observations we see come to be); or simply what causes such observations. Uncovering such a process not only advances our knowledge but also provides us with the capability to be able to predict phenomena accurately. This paper presents an approach that leverages causal discovery and causal inference to evaluate the fire resistance of structural members. In this approach, causal discovery algorithms are adopted to uncover the causal structure between key variables pertaining to the fire resistance of reinforced concrete (RC) columns. Then, companion inference algorithms are applied to infer (estimate) the influence of each variable on the fire resistance given a specific intervention. Finally, this study ends by contrasting the algorithmic causal discovery with that obtained from domain knowledge and traditional machine learning. Our findings clearly show the potential and merit of adopting causality into our domain.

研究动机与目标

• 开发一种基于数据驱动方法的因果框架，用于评估钢筋混凝土（RC）柱的耐火性能。
• 通过因果发现算法识别影响耐火性能的关键变量之间的因果关系。
• 利用因果推理技术估计对耐火性能实施干预的影响。
• 将所提出的因果方法与传统机器学习方法及仅依赖领域知识的方法进行比较。
• 通过引入因果推理，提升结构耐火安全性评估中的可解释性与预测准确性。

提出的方法

• 采用因果发现算法，推断影响RC柱耐火性能变量之间的因果结构。
• 应用因果推理算法，估计对耐火性能实施干预（如提高混凝土强度或配筋率）的影响。
• 整合结构工程领域的领域知识，以指导并验证因果结构发现过程。
• 采用混合方法，结合数据驱动发现与专家知识，以提升模型的鲁棒性与可靠性。
• 将因果模型与领域知识及传统机器学习基线进行对比验证。
• 利用RC柱耐火性能实验数据集训练并评估因果模型。

实验结果

研究问题

• RQ1 关键变量（如混凝土强度、配筋率）与RC柱耐火性能之间存在何种因果关系？
• RQ2 与传统机器学习模型相比，该因果模型在耐火性能评估中的预测性能如何？
• RQ3 在结构耐火性能的因果发现中，整合领域知识在多大程度上提升了准确性与可解释性？
• RQ4 所发现的因果结构与既有的工程原理及领域知识的契合度如何？
• RQ5 根据因果模型推断，特定干预措施（如增加配筋率）对耐火性能的影响估计值是多少？

主要发现

• 因果发现方法成功识别出与结构工程原理一致的、连贯的耐火性能变量因果结构。
• 领域知识的整合显著提升了所发现因果图的可靠性与可解释性。
• 因果推理实现了对干预效应的精确估计，例如提高了混凝土强度对耐火持续时间的影响。
• 所提出方法在可解释性与泛化能力方面优于传统机器学习模型，尤其在分布偏移情况下表现更优。
• 与纯数据驱动方法相比，该因果模型与专家知识的一致性更高，减少了虚假相关性。
• 该框架通过量化关键参数对耐火性能的因果影响，为结构设计提供了可操作的洞见。