基于集体学习策略的多保真度模型自适应可靠性分析
机器学习
2021-09-22 v1 机器学习
摘要
在诸多科学与工程领域中，存在不同保真度的模型。能准确刻画系统行为的物理实验或精细仿真被视为模型不确定性低的高保真度模型，但其运行代价高昂。另一方面，简化的物理实验或数值模型被视为评估成本更低的低保真度模型。尽管低保真度模型常因精度低而不适合直接用于可靠性分析，但它们能提供关于高保真度模型趋势的信息，从而以低成本探索设计空间。本研究提出一种称为自适应多保真度高斯过程可靠性分析（AMGPRA）的新方法。与最先进的 mfEGRA 方法分两阶段选取训练点与信息源不同，所提方法利用新颖的集体学习函数（CLF）同时寻找最优训练点与信息源。CLF 能够评估来自某信息源的候选训练点的全局影响，并可兼容任何满足特定轮廓的学习函数。在此背景下，CLF 为量化新训练点的影响提供了新思路，并可通过扩展新学习函数轻松适配不同可靠性问题。所提方法的性能通过三个数学算例及一个关于输电塔风可靠性的工程问题得以验证。结果表明，与最先进的单保真度及多保真度方法相比，所提方法以更低的计算成本取得了相似或更高的精度。AMGPRA 的一个关键应用是利用复杂且昂贵的基于物理的计算模型进行高保真度易损性建模。
引用
@article{arxiv.2109.10219,
title = {Adaptive Reliability Analysis for Multi-fidelity Models using a Collective Learning Strategy},
author = {Chi Zhang and Chaolin Song and Abdollah Shafieezadeh},
journal= {arXiv preprint arXiv:2109.10219},
year = {2021}
}