当模型形式和参数不确定性具有重要影响时:一种用于传播和敏感性分析的统一随机表示方法
《Computer Methods in Applied Mechanics and Engineering》:When model-form and parametric uncertainties matter: A unified stochastic representation for propagation and sensitivity analysis
【字体:
大
中
小
】
时间:2025年12月30日
来源:Computer Methods in Applied Mechanics and Engineering 7.3
编辑推荐:
本文提出多模型混合不确定性的概率量化框架,通过多元素多项式混沌展开处理多模态输出,推导参数与模型形式不确定性的敏感度指标,验证于分子动力学模拟。
Senou Kounouho|Johann Guilleminot
杜克大学机械工程与材料科学系,北卡罗来纳州达勒姆
摘要
本研究开发了一种新的概率框架,用于计算工程中的不确定性量化和敏感性分析,重点关注由参数不确定性和模型形式不确定性共同引起的混合不确定性问题。我们提出了一种针对多模型系统的随机传播策略,这些系统中的不连续性和多模态输出对传统的替代方法提出了挑战。我们利用多元素多项式混沌展开(PCE)来捕捉局部行为,同时实现基于方差的敏感性分析。进一步推导出敏感性指数,以衡量参数不确定性和模型形式不确定性的相对影响,为识别在可靠性关键应用中最重要的不确定性来源提供了一种原理性的方法。通过涉及原子间势能和外部强迫不确定性的玩具问题和分子动力学模拟,对所提出的方法进行了示例和验证。这些贡献提供了一种综合方法,用于传播、分析和比较混合不确定性,弥合了涉及多个模型类别和随机参数的应用中的关键方法论差距。
引言
计算工程涉及分析由一系列校准约束和建模选择决定的复杂系统。构建此类系统的表示过程会产生各种形式的不确定性,例如由于对本构关系的结构和校准所做的选择。这些不确定性通过模型类别内的参数调整不完美、用于模型校准的参考数据的变异性以及由于模型选择导致的系统响应差异而表现出来。为了系统地考虑这些不确定性,有必要理解建模决策对感兴趣的估计量的影响,特别是在安全和可靠性关键应用中。
在量化参数不确定性方面,现有的技术非常丰富[1]、[2]。专注于随机求解器的方法,如蒙特卡洛(MC)方法及其变体,被广泛用作基线方法,也用于涉及非常高维输入的应用。这些方法依赖于从底层输入分布生成和评估独立样本,并反复评估前向模型以表征系统响应的不确定性。在随机有限元方法[3]中提出的Karhunen-Loève多项式混沌展开(PCE)组合,在输入维度较低到中等的情况下实现了显著更快的收敛速度;有关现代技术介绍,请参见[4]。随机配置法和Galerkin型方法已在多个学科中得到广泛应用;参见[1]、[2]、[5]及其中的参考文献。与本文相关的是,当近似空间中存在不连续性时,多项式混沌替代方法可能会受到Gibbs现象的影响——这一限制可以通过多元素方法克服[6]。
模型形式不确定性的处理相对较为困难,这些不确定性是由不同模型的功能形式差异引起的,而不是它们的参数(例如,参见[7]以获取全面介绍)。这种在表示和求解器方面的基本结果缺乏,主要是因为在功能形式上进行随机化比构建系统参数的随机模型更为复杂。实际上,为模型信息定义适当的编码器、构建概率度量以及整合此类公式中出现的数学约束都构成了未解决的问题。请注意,我们没有考虑模型差异及其通过替代方法的建模(参见[8]的开创性贡献,以及[9]、[10]在计算物理学中的应用),也没有考虑使用贝叶斯形式主义进行最优模型选择的问题;例如,参见[11]、[12]涉及基于物理的建模的发展,以及[13]对深度学习模型的扩展。在[14]中引入了计算力学中模型形式不确定性的表示方法,该方法建议用随机矩阵定义的随机算子替换确定性算子(参见[15]关于理论和应用的综述)。后来在[16]中提出了另一种方法,该方法表明可以通过在Stiefel流形上进行随机化来捕获由单一模型类别选择引起的模型形式不确定性(参见[17]、[18]对该方法的改进,重点在于参数化简化)。最近在[19]中提出了一种基于概率主成分分析的另一种公式。在[16]中提出的SROB思想的基础上,[20]进一步解决了多模型设置的问题,提出了涉及随机黎曼凸组合的另一种公式。这个多模型概率框架随后被扩展到具有温度和压力控制的分子动力学模拟[21]、由机器学习功能形式引起的随机性[22]以及非线性动力系统的潜空间动力学[23]的情况。上述与单模型和多模型设置相关的贡献仅关注概率模型的开发(即构建底层概率度量),并依赖于MC模拟来传播不确定性。据作者所知,参数不确定性传播技术的广泛现状与其在多模型设置中的模型形式不确定性的扩展之间的差距尚未得到填补(例如,参见[24]依赖于[16]的单模型设置的最新贡献,以及[25]、[26]用于整合模型误差的替代表示方法)。
敏感性分析(SA)是另一种不确定性量化任务,它提供了关于不确定性如何影响系统响应的定量见解[27]。与传播步骤类似,SA工作主要(如果不是唯一的话)关注参数不确定性。最常用的技术包括基于方差的方法[28]、[29]、基于导数的全局敏感性度量以及筛选方法[30]。Sobol’指数与PCE之间的联系在[31]中进行了分析和说明,使得能够作为PCE基础不确定性传播的副产品高效地进行SA,从而为计算建模和可靠性分析的广泛应用铺平了道路。针对混合不确定性的SA方法论非常稀少,这些方法同时考虑了模型形式和参数不确定性。值得关注的是最近的工作[32],其中使用参数化的假设修改来描述模型形式不确定性[33]并探索与基于方差的SA方法的联系。
本工作的目标是解决上述两个限制,即构建一个高效的随机求解器以及在
多模型设置中的混合不确定性背景下制定敏感性分析方法。我们的贡献如下:
•首先,我们为多模型设置专门设计了一种传播策略。后者在算子空间中引起局部化,并为输出分布生成强烈的多模态性——这一特性对大多数替代技术构成了挑战,可能需要大型数据集来进行基于采样的求解。为了捕捉由输出空间中的模式切换产生的不连续性,我们利用[6]中提出的多元素PCE方案来推导出适合基于方差敏感性分析的统一表示。
•其次,我们推导出估计混合不确定性敏感性指数的新公式。所呈现的结果定义了一种解决以下问题的原理性方法:模型形式不确定性还是参数不确定性更为重要?
•第三,我们在玩具问题上分析了所提出的随机框架的性能,这些玩具问题旨在探索该方法的具体组成部分,以及涉及原子间势能选择(作为模型形式不确定性)和外部强迫中的参数不确定性的分子动力学模拟。
本文的组织结构如下。第2节重点介绍方法论发展。介绍了结合参数不确定性和模型形式不确定性的随机表示的降阶建模框架。我们概述了多元素多项式混沌展开方法作为多模态设置的自适应求解器,并推导出高效计算敏感性指数的公式。第3节提供了数值结果,包括教学示例和分子动力学示例。最后在第4节给出了结论性意见。
部分摘录
方法论发展
本节提出了一个用于表示、传播和量化混合不确定性设置中不确定性的框架。在[20]中概述的先前公式的基础上,我们在第2.1节介绍了参数不确定性和模型形式不确定性的随机表示。然后,在第2.2节中,我们简要介绍了[6]中提出的自适应多项式混沌,并概述了其在多模态设置中传播不确定性的应用。
数值结果
在以下部分,我们提供了数值应用,以说明所提出方法的性能。使用Kullback-Leibler(KL)散度和核密度估计器(用于概率密度函数)从定量和定性两个方面展示了收敛结果。我们使用第2.2.1节中提出的标准来定义和停止输入参数空间的自适应细化。
结论
在这项工作中,我们提出了一种统一的随机公式,用于传播和量化多模型设置中参数不确定性和模型形式不确定性的相对影响。利用参数不确定性的随机求解器的丰富现状以及[20]中提出的模型形式不确定性的概率模型,所提出的方法能够直接比较模型类别和参数选择的方差贡献。在
CRediT作者贡献声明
Senou Kounouho:写作——审阅与编辑、撰写原始草稿、验证、软件、方法论、调查、形式分析、概念化。Johann Guilleminot:写作——审阅与编辑、撰写原始草稿、验证、监督、软件、资源、项目管理、方法论、调查、资金获取、形式分析、概念化。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:
Johann Guilleminot报告称获得了美国国家科学基金会的财务支持。Johann Guilleminot报告称获得了美国陆军研究办公室的财务支持。如果有其他作者,他们声明没有已知的财务利益或个人关系可能影响本报告中所述的工作
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