可靠性分析的低维模型表示的顺序主动学习
摘要：高维度、计算成本高的工程模型的分析在风险和可靠性工程中仍然是一个困难的挑战。我们使用一种维度缩减和代理模型相结合的方法，称为偏最小二乘驱动的多项式混沌展开（PLS-PCE），使得这类问题变得可行。独立的代理模型通常在可靠性分析中表现不佳。因此，在先前的研究中，我们使用PLS-PCE重新构建了顺序重要性抽样方法中的中间密度，用于可靠性分析。在此基础上，我们通过一种主动学习过程来扩展这种方法，使得在每个重要性抽样级别上能够获得改进的误差控制。为此，我们对在维度缩减步骤中识别的子空间和其中构建的代理模型的综合估计误差进行了评估。通过这种方法，可以调整试验设计，从而最佳地学习子空间表示和其中构建的代理模型。该方法无需梯度，因此可以直接应用于黑盒型模型。我们通过一系列低维度（2个维度）到高维度（869个维度）的示例问题来演示该方法的性能，其中包括了除了高维度和昂贵的计算模型之外的一些著名的对于可靠性方法来说具有挑战性的问题：强非线性极限状态函数、多个相关失效区域和小的失效概率。
作者：Max Ehre, Iason Papaioannou, Bruno Sudret, Daniel Straub
论文ID：2106.04453
分类：Computation
分类简称：stat.CO
提交时间：2022-06-20