基于自适应机器学习的多保真度分层抽样方法,用于非线性随机系统的故障分析
《Structural Safety》:Adaptive machine learning-driven multi-fidelity stratified sampling for failure analysis of nonlinear stochastic systems
【字体:
大
中
小
】
时间:2026年02月11日
来源:Structural Safety 5.7
编辑推荐:
徐留云|西摩·M.J. 斯彭斯
美国密歇根大学土木与环境工程系,密歇根州安阿伯市,邮编48109
摘要
目前用于随机模拟中稀有事件分析的方差缩减技术,仍需大量模型评估才能估算较小的失效概率。在复杂的非线性有限元建模环境中,这一问题会带来极大的计算难度,尤其是对于那些
徐留云|西摩·M.J. 斯彭斯
美国密歇根大学土木与环境工程系,密歇根州安阿伯市,邮编48109
摘要
目前用于随机模拟中稀有事件分析的方差缩减技术,仍需大量模型评估才能估算较小的失效概率。在复杂的非线性有限元建模环境中,这一问题会带来极大的计算难度,尤其是对于那些受到随机激励的系统。为解决这一难题,本文提出了一种基于多精度分层采样策略并结合自适应机器学习元模型的方法,用以高效地传递不确定性并估算较小的失效概率。该方法利用通过分层采样获得的高精度数据集来训练基于深度学习的元模型,该元模型可作为成本更低且相关性更高的低精度模型。此外,还提出了自适应训练策略,以平衡近似精度与低精度模型开发所需的计算成本之间的权衡。通过将低精度输出与额外的高精度结果相结合,可利用多精度蒙特卡洛框架获得各分层的无偏失效概率估计,进而通过全概率定理计算出整体的失效概率。以一座遭受随机风荷载作用的全尺寸高层钢结构建筑为研究对象,实验表明,所提出的方法能够准确估算所需非线性响应的超越概率曲线,同时相比单一精度方差缩减方法能显著节省计算资源。
引言
为了实现对承受一般随机激励(如地震或风荷载)的结构系统进行高效的概率分析——包括失效分析——在框架、建模技术以及计算能力方面已取得了诸多进展[1]-[13]。通常,人们会采用将蒙特卡洛方法与高精度建模环境相结合的随机模拟框架,以此传递不确定性并估算各种极限状态下的失效概率。虽然高精度数值模型(如有限元模型)能够捕捉重要的非线性行为(如材料非线性和几何非线性),但它们的计算成本往往很高。因此,在估算与稀有事件相关的较小失效概率时,由于需要大量模型评估,这类框架可能会因计算负担过重而难以使用。
为降低计算需求,人们开始探索那些在保持精度的同时仅需较少模型评估的方差缩减技术。在这些方法中,广泛使用的重要性抽样方法[14]在实际处理高维问题时可能会遇到困难,因为很难找到合适的高维提议密度[15]。子集仿真法和分层采样法,包括广义分层采样法[9],则能够在高维环境中估算较小的失效概率。不过,它们通常仍需要数千次模型评估才能达到所需的精度水平[9][16][17]。与分层采样法相比,当需要估算多个极限状态的失效概率时,子集仿真法往往会效率低下,因为每个极限状态通常都需要独立执行一次子集仿真流程[18]。另一种有前景的解决方案是使用精度较低的模型,这样既能以更低的计算成本近似系统输出。用于工程应用的低精度模型大致可分为两类:(a)降阶模型,这类模型通过简化物理机制来降低计算复杂度,例如减少动态自由度或采用简化的材料滞回定律[19][20];(b)元模型或仿真器,这类模型通过数据驱动的方式对系统输出进行近似[21][22][23]。近年来,基于人工智能的元模型因具有大幅提升计算速度的潜力而备受研究关注。这类模型是通过回归或插值技术(如多项式、神经网络和克里金法)将参数化的输入输出空间映射起来而构建的[22][24][25]。但需要注意的是,如果直接将低精度模型用于不确定性传递,可能会得到有偏差或失真的估计结果[26]。
为同时发挥高精度模型的精确性与低精度模型的计算效率,人们开发了多精度方法,这类方法整合了不同精度级别模型的输出结果[26][27][28][29]。其核心思想是将大部分计算任务转移到成本较低但可能存在偏差的低精度模型评估上,同时仅用少量高精度模型评估来进行修正。多精度方法通常可分为两类:(a)近似控制变量方法[30][31],如多层蒙特卡洛方法[32][33]和多精度蒙特卡洛方法[34][35];(b)多精度替代模型,如多精度高斯过程模型(克里金法)[36][37]。在这些方法中,多精度蒙特卡洛方法已被认为是加速传统蒙特卡洛估算的有效手段,因为传统方法往往完全依赖计算成本极高的高精度模型[29]。大量研究表明,使用各类低精度模型进行多精度蒙特卡洛估算具有实际意义且效率较高[34][38][39]。通过最小化多精度蒙特卡洛估算器的方差,可以确定在不同精度级别之间进行评估的最佳分配方式[34]。为高效实现多精度蒙特卡洛方法,低精度模型需具备两个关键特性:(a)与高精度模型具有高相关性;(b)能大幅节省计算资源。然而,当处理小概率问题时,多精度蒙特卡洛方法的效率会下降[40]。这是因为要准确估算稀有故障带来的极端系统响应,而随机采样很难高效生成这类稀有事件样本。实际上,多精度蒙特卡洛方法是一种旨在加速传统蒙特卡洛估算器的控制变量方法,而非专门用于估算稀有事件的概率[34][40]。正因如此,一些研究致力于拓展多精度方法以用于小概率问题的估算,比如多精度重要性抽样方法[28][41]和多精度子集仿真方法[42]。
本文提出了一种多精度分层采样方法,该方法采用自适应机器学习元模型作为低精度模型,从而高效地传递不确定性并估算较小的失效概率。在该方法中,通过广义分层采样获得的高精度样本集被用来训练基于深度学习的低精度模型。此外,还提出了一种自适应训练策略,用于优化近似精度与计算成本之间的平衡。该策略旨在在确保高精度模型与低精度模型之间具有足够高且无偏的相关性的前提下,尽可能减少训练数据量——这种相关性可通过K折交叉验证来确定。一旦训练完成,就可以快速生成任意规模的低精度样本集。为保证估算结果的准确性,还会生成额外的高精度样本集,并与低精度样本集结合使用。随后,利用多精度蒙特卡洛方法以及经过优化配置的高精度和低精度输出,即可估算出各分层的条件失效概率。最后,通过全概率定理构建出整体的多精度分层采样估算器。以一座遭受随机风荷载作用的全尺寸高层钢结构建筑为研究对象,实验表明,所提出的方法在估算各类系统响应的超越概率曲线方面具有很高的准确性,同时还能显著节省计算资源。与传统仅依赖高精度模型的广义分层采样方法相比,多精度分层采样方法的优势更为明显。
问题设定
考虑一个承受随机激励F(t;θ)的动态非线性结构系统,这类激励可能来自风荷载或地震荷载,其特性由一组不确定参数θ={θ1,θ2,…,θn}T∈Rnθ描述,其中nθ表示θ的维度。一般来说,系统的响应y(t;θ)可表示为:y(t;θ)=M(F(t;θ)),这里的M(?)代表一种通常维度较高且计算成本较高的非线性有限元模型(以下简称“高精度模型”),该模型用于将输入映射为输出。
广义分层采样
分层采样已被证明是一种高效的估算较小失效概率的方法,与直接的蒙特卡洛方法相比,它能显著降低方差[16]。在这种方法中,样本概率空间会被划分为Ns个互斥且穷尽的所有子事件Ek,k=1,2,…,Ns,这些子事件被称为不同分层。这样一来,就可以从每个分层中抽取样本,包括那些与稀有事件相关的极端响应样本。为了解决相关问题……
多精度广义分层采样
为进一步提升估算较小失效概率时的计算效率,本文提出了一种在分层概率空间内进行多精度蒙特卡洛估算的方法,即多精度分层采样法。与第3.1节所述的广义分层采样法类似,该方法也包含两个实施阶段。在第一阶段,通过生成大量MC样本N?MC,采用直接蒙特卡洛采样方法来估算预定义控制变量的概率分布。通过应用……
建筑结构
为验证所提框架的适用性与高效性,本文以一个从三维建筑中提取出的二维37层钢框架结构为研究对象,如图3所示。该结构的总高度为150米,首层层高为6米,其余各层层高均为4米。每层由六个宽度相同的跨组成,每个跨的宽度为5米,因此整个结构的总宽度为30米。该结构系统采用箱形截面……
结论
本文提出了一种多精度分层采样方法,该方法整合了广义分层采样、多精度蒙特卡洛方法以及自适应人工智能驱动的元模型技术,可用于高效估算在随机激励作用下工作的复杂非线性高维结构系统中的较小失效概率。所提出的方法会将精心选择的某个性状的概率空间划分为多个分层,然后利用从各分层中获取的高精度模型评估数据来训练基于深度学习的元模型。
CRediT作者贡献声明
徐留云:论文撰写——初稿编写、方法设计、研究实施、正式分析、数据整理、概念构思。西摩·M.J. 斯彭斯:论文撰写——审阅与编辑、项目管理、方法设计、研究实施、资金筹措、概念构思。
利益冲突声明
作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。
致谢
本研究部分得到了美国国家科学基金会(NSF)的资助,资助编号为CMMI-2118488。对此我们表示衷心的感谢。
生物通微信公众号
生物通新浪微博
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