用于响应概率分布不确定性量化的贝叶斯自适应多层次分裂
《RELIABILITY ENGINEERING & SYSTEM SAFETY》:Bayesian adaptive multilevel splitting for uncertainty quantification on response probability distributions
【字体:
大
中
小
】
时间:2026年09月25日
来源:RELIABILITY ENGINEERING & SYSTEM SAFETY 13.7
编辑推荐:
提出了一种用于响应分布估计的贝叶斯主动学习框架。
开发了贝叶斯自适应多层分裂(BAMS)方法。
BAMS 将多层分裂与高斯过程建模相结合。
主动学习由每一层的后验响应分布驱动。
在指定概率范围内实现了准确且高效的估计。
引言
在许多科学与工程领域,计算机模拟器是建模、分析
提出了一种用于响应分布估计的贝叶斯主动学习框架。
开发了贝叶斯自适应多层分裂(BAMS)方法。
BAMS 将多层分裂与高斯过程建模相结合。
主动学习由每一层的后验响应分布驱动。
在指定概率范围内实现了准确且高效的估计。
引言
在许多科学与工程领域,计算机模拟器是建模、分析和预测复杂系统行为的常用工具。然而,由于建模误差、未知系统输入和变化的运行条件等多种不确定性,计算机模拟器与实际系统之间的差异通常是不可避免的。不确定性量化(UQ)对于评估这些不确定性对目标系统的影响至关重要,以便更好地预测系统在随机性存在下的行为。
在不确定性量化的各项任务中,我们关注估计响应概率分布的核心问题,即累积分布函数(CDF)、互补累积分布函数(CCDF)和概率密度函数(PDF)。这些函数提供了系统响应的综合统计特性,为安全评估、设计优化和风险知情决策提供信息。具体而言,我们考虑一个具有基本随机变量集合 X = [X1, X2, …, Xn] ∈ X ? ?^n 的系统。给定 X 的联合概率密度函数 f_X(x),我们关注从 X 传播的系统输出 Y ∈ Y ? ? 的概率分布。从 X 到 Y 的确定性映射可以表示为 Y = g(X),其中 g: ?^n ? ? 为计算机模拟器。那么 Y 的累积分布函数和互补累积分布函数分别定义为:
F_Y(y) = P(Y ≤ y) = P(g(X) ≤ y) = ∫_{g(X)≤y} f_X(x) dx
和
F?_Y(y) = P(Y > y) = P(g(X) > y) = ∫_{g(X)>y} f_X(x) dx
其中 P 表示概率测度。注意 F?_Y(y) = 1 - F_Y(y) 成立。假设 F_Y(y) 几乎处处可微,则 Y 的概率密度函数也可表示为:
f_Y(y) = dF_Y(y)/dy = ∫_{?^n} δ(y - g(x)) f_X(x) dx
其中 δ(·) 表示 Dirac delta 函数。
除了某些相当简单的情况外,由于难以处理的 d 维积分,公式 (1)–(3) 无法得到解析解。因此,通常使用数值方法来估计响应概率分布,随机模拟方法构成了其基石。例子包括蒙特卡洛模拟(MCS)及其变体,如分层抽样[1]、拉丁超立方抽样[2]和增强蒙特卡洛模拟[3]。还提出了各种后处理技术来增强这些模拟方法逼近概率分布尾部的能力[4], [5]。然而,模拟方法通常收敛缓慢,需要过多的重复模拟。当计算机模拟器评估成本高昂时,这一点尤为令人担忧。
另一方面,统计矩方法假设一个潜在的概率模型,并基于系统响应的统计矩估计其参数。在此背景下,研究了不同类别的统计矩,例如整数矩[6]、分数矩[7]和谐波矩[8]。然而,矩方法的一个共同批评是,响应分布估计中的数值误差通常未知且难以推导。此外,概率保持方法基于概率守恒原理,通过求解与潜在动力系统相关的密度演化方程来估计响应概率分布。代表性例子包括概率密度演化方法(PDEM)[9]、直接概率积分方法(DPIM)[10]和 GPU 加速拉格朗日方法[11]。对于随机欧拉-伯努利梁模型中的广义密度演化方程,也推导了解析解,这使得能够在 PDEM 和 DPIM 等数值方法中进行误差校准[12]。这些方法为估计响应分布提供了另一种框架,特别是当潜在动力系统的控制方程可用时。
为了进一步平衡精度与效率之间的权衡,过去十年来,针对各种不确定性量化任务,主动学习方法得到了广泛研究[13], [14], [15]。这些方法利用代理模型代替昂贵的计算机模拟器,基于自适应选择的输入-输出数据集,旨在寻找最有信息量的点来估计目标量。在此背景下,最常用的代理模型可能是高斯过程回归(GPR),但其他方法包括多项式混沌展开、支持向量回归和神经网络[16]。主动学习的两个关键组成部分是学习函数和停止准则。前者提供了在未见点上改进当前解的潜在收益的度量,而后者指导何时终止学习过程。因此,这些组成部分需要针对特定的不确定性量化任务进行定制。估计响应分布的主动学习方法的进展可在[17], [18]中找到。
最近,贝叶斯主动学习(BAL)方法作为主动学习方法的一个有前景的分支出现了[19], [20]。利用高斯过程(GP)建模背后的贝叶斯原理,BAL 方法明确地将主动学习过程视为贝叶斯反演问题,推断目标量的后验分布。后验均值给出了目标量的有利估计,而后验分散信息作为数值误差的全局度量。这一不确定性度量可以指导学习函数和停止准则的设计。文献中的 BAL 方法大致可分为两类。第一类试图推导后验均值和分散表达式[19], [21]。在此背景下,文献[22]推导了响应 CDF 和 CCDF 后验方差的上界。虽然这些表达式可以高效地通过 MCS 计算,但它们可能大大高估数值误差,导致计算效率降低。相比之下,第二类通过采样 GP 后验来估计后验分布[20], [23]。虽然这种基于采样的方法允许严格的不确定性量化,但在诱导响应 CDF 和 CCDF 的后验分布时,由于需要进行重复的大规模矩阵运算,粗略 MCS 可能成本高昂。
为了填补这一空白,我们提出了一种基于分裂的贝叶斯主动学习方法来估计响应概率分布。多层分裂[24], [25]是一种用于稀有事件模拟的方差缩减技术,将稀有事件分解为一系列嵌套的中间事件。在可靠性分析背景下,该技术广为人知为子集模拟[26], [27]。这里,我们重新审视该技术用于估计响应概率分布,并推导出响应 CDF 和 CCDF 的自适应多层分裂(AMS)估计器。借助 GP 建模,我们展示了如何利用贝叶斯原理,通过主动学习获得这些估计器的后验分布。所得方法称为贝叶斯自适应多层分裂(BAMS)。在 BAMS 方法中,AMS 过程中的数值不确定性通过采样 GP 后验得到完全量化,并且所诱导的估计器后验统计量被用于设计一种新颖的停止准则和学习函数,以实现自适应分布估计。
本文其余部分组织如下。第 2 节介绍了多层分裂的基本思想,并在一定的感兴趣范围内推导了响应分布的 AMS 估计器。第 3 节概述了所提出的 BAMS 方法的细节。然后在第 4 节中研究了五个不同复杂度的数值算例,以说明所提出的方法。第 5 节以一些结论性评述结束本文。
章节摘要
自适应多层分裂用于响应分布估计
考虑估计公式 (1) 中的响应 CDF F_Y 的任务。如果对于给定的 y,F_Y(y) 很小,由于估计器的变异系数(COV)非常大,蒙特卡洛(MC)估计器需要大量的样本。这也阻碍了针对此任务的基于采样的 BAL 方案的设计。
为了解决这个问题,我们采用多层分裂[24], [25]将原问题分解为一系列子问题,每个子问题的 COV 较小。其基本思想是:
贝叶斯自适应多层分裂
虽然公式 (7)、(9) 中的响应 CDF 和 CCDF 的 AMS 估计器相比经典 MC 估计器更高效,但当计算机模拟器评估成本高昂时,它们仍然可能计算负担沉重。这里,我们将响应分布估计视为贝叶斯反演问题,并制定一种主动学习策略。注意,现有的基于 AMS 的主动学习方法主要用于估计与固定失效概率相关的量。
数值算例
在本节中,我们展示五个数值算例,以证明所提出的 BAMS 方法在估计响应分布方面的性能。前三个算例考虑一个简单的玩具模型、著名的 Ishigami 函数以及矩形脉冲载荷下的单自由度非线性振荡器。这些用于与文献中的两种代表性(贝叶斯)主动学习方法进行比较:基于主动学习的高斯过程(AL-GP)方法[17]和 BAL 方法。
结论
本文提出了一种基于分裂的贝叶斯主动学习框架,以高效估计输入不确定性下评估成本高昂的计算机模拟器的响应分布。其关键贡献在于将自适应多层分裂与高斯过程(GP)建模在一个连贯的贝叶斯框架中相结合,从而实现了具有统计原理和计算效率的稀有事件响应分析。分裂机制系统性地引导样本...
CRediT 作者贡献声明
Masaru Kitahara: 撰写 – 原稿,软件,方法论,资金获取,形式分析,概念化。Taro Yaoyama: 撰写 – 审阅与编辑,概念化。Tomoki Takami: 撰写 – 审阅与编辑,软件。
利益冲突声明
作者声明不存在已知的可能影响本文所报告工作的竞争财务利益或个人关系。
致谢
第一作者感谢 JSPS KAKENHI(资助编号 25K17672)的财务支持。
Masaru Kitahara | Taro Yaoyama | Tomoki Takami
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