岩土工程中用于替代模型自动生成的一种具有批量选择功能的新型自适应采样方法

《Data-Centric Engineering》:A novel adaptive sampling approach with batch selection for the automatic generation of surrogate models in geotechnical engineering

【字体: 大 中 小 】 时间:2026年01月29日 来源:Data-Centric Engineering 3.2

编辑推荐:

  替代模型(Surrogate models)因其在替代计算成本高昂的数值分析方面的有效性而广受欢迎,特别是在需要数百或数千次模拟的设计优化程序等场景中。尽管一次性采样方法(one-shot sampling methods)——即所有样本在单阶段生成而不事先了

  
替代模型(Surrogate models)因其在替代计算成本高昂的数值分析方面的有效性而广受欢迎,特别是在需要数百或数千次模拟的设计优化程序等场景中。尽管一次性采样方法(one-shot sampling methods)——即所有样本在单阶段生成而不事先了解所需样本数量的方法——在创建替代模型时被广泛采用,但这些方法存在显著局限性。由于底层系统的特征通常在训练前未知,采用一次性采样可能导致模型性能欠佳或产生不必要的计算成本,尤其是在复杂或高维问题中。本文通过提出一种新颖的、模型无关的、具有批量选择功能的自适应采样方法(即用于高效替代模型的交叉验证批量自适应采样,Cross-Validation Batch Adaptive Sampling for High-Efficiency Surrogates,CV-BASHES)来应对这些挑战。首先通过两个解析函数验证CV-BASHES,探索其在不同配置下的灵活性和准确性,确认其鲁棒性。在与两种先进方法(最大投影法,maximum projection,MaxPro;可扩展自适应采样,scalable adaptive sampling,SAS)在相同函数上的对比研究表明,CV-BASHES具有更优的准确性和鲁棒性。通过一个岩土工程应用进一步展示了其适用性,在该应用中,研究人员使用CV-BASHES开发了一个替代模型,用于预测支持深基坑的挡土墙的水平变形。结果表明,CV-BASHES能高效选择训练样本,在保持高替代模型精度的同时减少数据集规模。通过提供更高效的采样策略,CV-BASHES简化和增强了在一般工程学科中处理复杂问题时创建机器学习模型作为替代模型的过程。
**论文解读:CV-BASHES——一种岩土工程中替代模型自动生成的新型自适应批量采样方法**

**研究背景与问题**

随着工程领域对更真实、更精确计算分析的需求日益增长,工程仿真变得越来越耗时。虽然增加计算复杂度提高了结果的精度和可靠性,但也带来了显著挑战,尤其是在时间限制或计算资源有限的情况下,往往阻碍了其实际应用。为应对这些挑战,替代模型(Surrogate models)作为有效替代方案应运而生。这些模型作为原始数值分析的数学近似,能在极短时间内提供媲美原分析精度的结果。然而,创建替代模型时,确定最优的样本数量和特征仍是一个重大挑战:样本不足会导致预测不准确,而样本过多则会不必要地增加计算成本。传统的采样策略可分为一次性采样和顺序方法。一次性采样(如拉丁超立方采样,Latin Hypercube Sampling,LHS)在单阶段生成所有样本,但无法适应未知的系统特征,容易导致过采样或欠采样。顺序方法虽允许逐步增加样本,但通常只基于全局探索,不考虑替代模型的响应信息。自适应采样方法则结合了全局探索和局部开发,利用替代模型的反馈(如预测方差、交叉验证误差等)来指导新样本的选择。然而,现有自适应采样方法普遍存在几个问题:一是许多方法依赖模型内部特性(如高斯过程方差),限制了其适用性;二是多数方法仅支持单点选择,导致高维复杂问题中计算效率低下;三是聚类问题尚未得到有效解决,影响采样效率。

**研究内容与结论**

本研究提出了一种新颖的、模型无关的自适应采样方法——用于高效替代模型的交叉验证批量自适应采样(CV-BASHES)。该方法建立在空间填充交叉验证权衡(Space-Filling Cross-Validation Trade-off,SFCVT)框架之上,引入三个关键机制:利用K折交叉验证(K-fold Cross-Validation,CV)误差信息替代留一法(Leave-One-Out,LOO),训练一个高斯过程(Gaussian Process,GP)误差替代模型以估计未采样区域的误差;结合最大最小距离准则和新的投影距离准则作为硬约束,防止样本聚集;创新性地引入Voronoi细胞概念实现批量选择,确保所选样本之间足够分散。通过解析函数验证和岩土工程应用,研究人员得出以下结论:CV-BASHES在准确性和鲁棒性上优于SFCVT、最大投影法(MaxPro)和可扩展自适应采样(SAS);支持批量选择,显著提高了计算效率;能自动生成高精度替代模型,无需预先确定样本数量。该论文发表在《Data-Centric Engineering》。

**主要关键技术方法**

CV-BASHES的核心技术方法包括:(1)K折交叉验证(K-fold CV)误差计算,采用决定系数(R2)作为样本级误差指标,评估每个样本的预测误差;(2)高斯过程(GP)误差替代模型,利用径向基函数(Radial Basis Function,RBF)协方差函数,结合网格搜索和十折交叉验证进行超参数调优;(3)双重距离约束准则:最大最小距离准则(Maximin criterion)和基于LHS原理的投影距离准则(Spro),确保空间填充和非聚类特性;(4)基于Voronoi细胞的批量选择优化策略,采用多起点最速上升爬山算法(hill-climbing)在网格采样点中寻找局部极值,并通过硬约束和Voronoi细胞排除实现批量选择。在岩土工程应用中,样本来源于一个参数化定义的深基坑问题,涉及伦敦黏土(London Clay)中的基坑开挖,初始训练数据库由20个LHS生成的几何参数样本组成,测试数据库包含100个额外样本。

**研究结果**

**4. 应用解析函数**
研究者通过两个三维解析函数(简单drop-wave函数和高度非线性Schwefel函数)评估CV-BASHES性能。采用支持向量回归(Support Vector Regression,SVR)作为替代模型,初始数据库为60个LHS样本。比较了不同配置(不同批量大小、投影约束有无、LOO与五折CV)以及SFCVT、MaxPro和SAS方法。结果表明:
- **批量选择的影响**:使用最大最小准则的两点选择(2-pt Maximin + LOO)实现了与SFCVT相当的基线性能。
- **投影约束的影响**:加入投影约束(2-pt Maximin & Pro + LOO)进一步提升了性能,因为投影约束提供了更多样的样本分布。
- **LOO与五折CV的对比**:十点选择搭配最大最小与投影及五折CV(10-pt Maximin & Pro + 5-fold)与LOO版本性能差异极小,但五折CV计算效率更高。
- **与先进方法对比**:在drop-wave函数上,CV-BASHES与MaxPro、SAS效果相当,但两点选择时CV-BASHES更优;在Schwefel函数上,CV-BASHES略优于MaxPro,而SAS表现最差。
- **批量大小的选择**:对于简单函数,两点选择更有效(局部开发);对于高度非线性函数,十点选择更优(全局探索)。

**5. 城市基坑的ANN替代模型**
为展示CV-BASHES的灵活性,将其应用于一个更高维的岩土工程问题:预测伦敦黏土中支撑式基坑的挡土墙水平位移。采用人工神经网络(Artificial Neural Network,ANN)作为替代模型,输入特征包括基坑宽度W、深度H、支撑间距Sp、填土厚度tMG、墙厚tDW、支撑数量Np和归一化深度y/Hd。初始数据库20个样本,测试数据库100个样本。经过7次自适应采样迭代,最终数据库达到90个样本。结果表明:
- ANN替代模型在验证集、测试集和训练集上的R2分别达到0.9949、0.9956和0.9992,显示出良好的泛化能力。
- 计算时间分析显示,有限元分析(FEA)占主导(约30小时),ANN训练约8小时,而CV-BASHES本身仅需1.5小时,占比极小。
- 对比图和残差图显示,替代模型预测非常准确,大部分残差在±10 mm内,且能匹配高位移值(超过220 mm)。
- 箱线图显示,50%的测试样本均方根误差(RMSE)低于2.124 mm,R2超过0.995。
- 对最差和75分位样本的详细分析表明,即使预测精度较低的样本也能很好地匹配墙位移的形状和量级。

**讨论与结论**

研究结论部分指出:CV-BASHES是一种新颖的自适应采样方法,用于自动创建全局替代模型。该框架在样本数据库较小时策略性地优先进行全局探索,随着数据库扩大和替代模型精度提高,通过放松距离约束逐渐转向更大的局部开发灵活性。与SFCVT及两种先进采样策略(MaxPro和SAS)相比,在两个解析示例(其中一个具有极端非线性)中,CV-BASHES在测试集R2上表现更优,展示了其增强的效率和构建全局精确替代模型的能力。一个实际应用(城市支撑式基坑的ANN替代模型自动生成)表明,CV-BASHES可与复杂机器学习模型结合,并能有效为岩土工程问题产生精确的替代模型。计算时间详细研究表明,虽然新方法比文献中其他方法复杂得多,但其所需计算时间与FEA和机器学习模型训练相比微不足道。此外,在自适应采样方法的前几步中,精度提升显著,随着样本数量增加而减弱,这允许提前停止采样,节省计算资源。因此,这项工作代表了岩土工程替代模型生成的重大进展,消除了预先确定训练数据库最优样本数量的需要,解决了样本量确定的常见挑战,允许更动态和自适应的替代模型开发方法,同时保证高精度。尽管通过岩土工程应用进行了演示,但CV-BASHES框架在公式上具有通用性,适用于其他需要高效替代建模的计算密集型工程问题。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号