Active learning for structural reliability analysis with multiple limit state functions through variance-enhanced PC-Kriging surrogate models

要約

サロゲート モデルをトレーニングするための既存のアクティブな戦略では、指定された極限状態関数の近くにある設計空間領域を対象とすることで、正確な構造信頼性推定値が得られます。
多くの実用的なエンジニアリング アプリケーションでは、さまざまな損傷状態が発生します。
修理、故障は確率論的に特徴付けられるべきであり、複数の性能関数の推定が要求されます。
この作業では、複数の代理限界状態に関連する精度を維持しながら、限られた計算予算の下でトレーニング サンプルを効率的に選択するためのアクティブ ラーニング アプローチの機能を調査します。
具体的には、PC クリギング ベースのサロゲート モデルは、Leave-one-out 相互検証エラー情報から派生した分散補正を考慮して積極的にトレーニングされますが、シーケンシャル学習スキームは U 関数から派生したメトリックに依存しています。
提案された能動学習アプローチは、高度に非線形な構造信頼性設定でテストされますが、より実用的なアプリケーションでは、オフショア風力下部構造に対する船の衝突の後の故障および修理イベントが確率論的に予測されます。
結果は、統合された能動学習スキーム内で指定された複数の限界状態関数を連続的にターゲットにすることにより、バランスの取れた計算予算管理が効果的に達成できることを示しています。

要約(オリジナル)

Existing active strategies for training surrogate models yield accurate structural reliability estimates by aiming at design space regions in the vicinity of a specified limit state function. In many practical engineering applications, various damage conditions, e.g. repair, failure, should be probabilistically characterized, thus demanding the estimation of multiple performance functions. In this work, we investigate the capability of active learning approaches for efficiently selecting training samples under a limited computational budget while still preserving the accuracy associated with multiple surrogated limit states. Specifically, PC-Kriging-based surrogate models are actively trained considering a variance correction derived from leave-one-out cross-validation error information, whereas the sequential learning scheme relies on U-function-derived metrics. The proposed active learning approaches are tested in a highly nonlinear structural reliability setting, whereas in a more practical application, failure and repair events are stochastically predicted in the aftermath of a ship collision against an offshore wind substructure. The results show that a balanced computational budget administration can be effectively achieved by successively targeting the specified multiple limit state functions within a unified active learning scheme.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google