有限数据下考虑藤结构不确定性的可靠性分析贝叶斯多模型推断方法

《Applied Sciences》：A Bayesian Multi-Model Inference Method for Reliability Analysis Considering Vine Structure Uncertainty Under Limited Data

　　

本文研究了在藤结构选择数据有限的情况下，与依赖建模相关的认知不确定性(epistemic uncertainty)及其对结构可靠性分析的影响。传统上，可靠性分析中表征依赖输入变量的藤copula模型通常被假定为单一模型或从数据中获得的最优拟合模型。然而，主观假设和数据稀缺可能会引入相关性测量的偏差，导致藤结构(vine structure)与实际依赖结构之间的显著偏差，以及可靠性分析中的重大误差。在本文中，研究人员通过引入贝叶斯多模型推断(Bayesian multi-model inference, BMMI)来解决由稀疏数据引起的藤结构中的模型不确定性。该方法基于候选藤结构整体的依赖建模性能，为一组候选藤结构确定相应的贝叶斯后验概率(Bayesian posterior probability)。利用贝叶斯因子(Bayes factor)筛选有效的候选藤结构，形成重新加权的模型集以量化依赖建模中的模型不确定性。针对正则藤copula(regular vine copula, RVC)的集成一阶可靠性方法(first-order reliability method, FORM)为可靠性分析提供了精度和高效性。最后，数值和工程实例表明，与单一最优藤copula模型相比，所提方法在不同样本量下均能获得更准确和稳健的可靠性分析结果。

**论文解读文章**

**研究背景与问题**
在结构可靠性分析中，输入变量间的相关性对失效概率评估至关重要。传统方法如Nataf变换、Rosenblatt变换等依赖线性或对称假设，难以处理非线性、非高斯依赖。藤copula模型通过pair-copula分解灵活刻画多维相关性，但藤结构选择存在认知不确定性(epistemic uncertainty)，尤其在有限数据下，主观假设或单一最优拟合模型可能引入偏差，导致可靠性分析结果不稳健。本研究旨在解决藤结构不确定性问题，提出一种贝叶斯多模型推断(BMMI)框架，加权集成多个候选藤结构，以提升有限数据下可靠性分析的准确性和鲁棒性。论文发表在《Applied Sciences》。

**技术方法**
主要关键技术包括：(1) 正则藤copula模型构建：基于pair-copula分解，利用AIC/BIC准则选择二元copula函数及参数，构建多维联合分布；(2) RVC-FORM算法：结合Rosenblatt变换将相关变量映射至独立标准正态空间，通过改进的HL-RF (iHL-RF) 算法搜索最可能失效点(MPP)，计算可靠指标和失效概率；(3) 贝叶斯多模型推断：枚举所有可能的藤结构，基于边缘平均BIC (EAB) 计算后验概率，采用贝叶斯因子(阈值为20)截断无效模型，形成加权模型集；(4) 验证案例：五维解析函数、六维悬臂管结构、五维飞机加筋壳结构(使用Kriging代理模型替代有限元分析)。

**研究结果**

**3.1 五维解析函数**
采用D-Vine copula模型设定相关性，RVC-FORM算法与VC-MCS参考结果的最大相对误差为4.81% (失效概率0.0264–0.0969)和6.56% (更小失效概率)。在不同样本量(30–500)下，BMMI模型比单一最优模型产生更紧凑的95%预测区间(PI)，均方误差(MSE)和均方根误差(RMSE)更低。贝叶斯因子分析表明，阈值为20时平衡精度与计算成本；EAB权重策略优于总BIC，且在小样本下稳定。扩展考虑边际分布和copula参数不确定性，但未显著改变均值估计，故主框架聚焦藤结构不确定性。

**3.2 悬臂管结构**
六维工程案例，考虑外载荷和扭转的D-Vine相关性。RVC-FORM与VC-MCS最大相对误差2.14% (失效概率1.11×10^-3–0.0617)和4.43%。BMMI模型的PI在样本量超过50时更紧凑，且KDE曲线收敛于MCS值。MSE和RMSE显著低于最优模型，但六维下样本量增加带来的不确定性减少较五维更缓慢。

**3.3 飞机加筋壳结构**
五维工程案例，考虑屈曲失效，使用Kriging代理模型(R²=0.999)。RVC-FORM最大相对误差6.84%。BMMI模型PI在所有样本量下明显更窄，样本量超过200时收敛于MCS。MSE和RMSE显示BMMI优势。

**讨论与结论**
讨论部分指出，所提方法有效处理了藤结构不确定性，在30–500样本量下均优于单一最优模型，但未统一纳入copula参数和边际分布不确定性；高维问题(>10变量)计算成本高，FORM对高度非线性问题可能不足，未来可结合物理信息代理模型。

研究结论翻译如下：本文提出了一种利用正则藤copula模型的BMMI可靠性分析方法，有效捕捉了多维变量间的复杂相关性。为应对稀疏数据引起的认知不确定性，该方法将贝叶斯理论与多模型推断相结合。通过基于藤结构内部相关性识别候选模型的后验概率，并依据贝叶斯因子截断有效候选模型，生成重新加权的候选模型集成以量化藤结构模型不确定性。数值和工程实例表明，在研究的失效概率范围内，所提BMMI可靠性分析方法与参考结果总体吻合良好，适用于多种结构可靠性问题。在30至500的样本量下，该方法始终产生更紧凑的失效概率预测区间，其MSE和RMSE均低于单一“最优”藤copula模型。