Περίληψη
Η Ποσοτικοποίηση της Αβεβαιότητας (Uncertainty Quantification – UQ) στη μηχανική παρέχει ένα συστηματικό πλαίσιο για την αξιολόγηση της επίδρασης αβέβαιων παραμέτρων στην απόκριση, την ασφάλεια και την επιτελεστικότητα σύνθετων συστημάτων. Στο πλαίσιο αυτό, η ανάλυση αξιοπιστίας και η Μπεϋζιανή επικαιροποίηση αποτελούν δύο βασικά προβλήματα. Η ανάλυση αξιοπιστίας αποσκοπεί στην εκτίμηση της πιθανότητας αστοχίας ή δυσμενούς απόκρισης ενός συστήματος, μέσω της διάδοσης των αβέβαιων παραμέτρων εισόδου σε υπολογιστικά προσομοιώματα. Από την άλλη πλευρά, η Μπεϋζιανή επικαιροποίηση αξιοποιεί πειραματικές παρατηρήσεις ή μετρήσεις από αισθητήρες για την εκτίμηση αβέβαιων παραμέτρων του προσομοιώματος και τη μείωση της αρχικής αβεβαιότητας, βελτιώνοντας έτσι την προβλεπτική του ικανότητα. Ο συνδυασμός της Μπεϋζιανής επικαιροποίησης με την ανάλυση αξιοπιστίας επιτρέπει την αξιολόγηση της αξιοπιστίας ενός συστήματος βάσει βαθμονομημένων παραμέτρων και επικαιροποιημένων περιγραφών της αβεβαιότητας ...
Η Ποσοτικοποίηση της Αβεβαιότητας (Uncertainty Quantification – UQ) στη μηχανική παρέχει ένα συστηματικό πλαίσιο για την αξιολόγηση της επίδρασης αβέβαιων παραμέτρων στην απόκριση, την ασφάλεια και την επιτελεστικότητα σύνθετων συστημάτων. Στο πλαίσιο αυτό, η ανάλυση αξιοπιστίας και η Μπεϋζιανή επικαιροποίηση αποτελούν δύο βασικά προβλήματα. Η ανάλυση αξιοπιστίας αποσκοπεί στην εκτίμηση της πιθανότητας αστοχίας ή δυσμενούς απόκρισης ενός συστήματος, μέσω της διάδοσης των αβέβαιων παραμέτρων εισόδου σε υπολογιστικά προσομοιώματα. Από την άλλη πλευρά, η Μπεϋζιανή επικαιροποίηση αξιοποιεί πειραματικές παρατηρήσεις ή μετρήσεις από αισθητήρες για την εκτίμηση αβέβαιων παραμέτρων του προσομοιώματος και τη μείωση της αρχικής αβεβαιότητας, βελτιώνοντας έτσι την προβλεπτική του ικανότητα. Ο συνδυασμός της Μπεϋζιανής επικαιροποίησης με την ανάλυση αξιοπιστίας επιτρέπει την αξιολόγηση της αξιοπιστίας ενός συστήματος βάσει βαθμονομημένων παραμέτρων και επικαιροποιημένων περιγραφών της αβεβαιότητας, οδηγώντας σε πιο τεκμηριωμένες προβλέψεις σχετικά με την απόκριση και την ασφάλεια τωνκατασκευών. Ωστόσο, και τα δύο προβλήματα απαιτούν συχνά μεγάλο αριθμό αποτιμήσεων του υπολογιστικού προσομοιώματος, γεγονός που μπορεί να καταστήσει το υπολογιστικό κόστος απαγορευτικό όταν χρησιμοποιούνται αριθμητικά προσομοιώματα υψηλής πιστότητας. Για την αντιμετώπιση αυτών των υπολογιστικών απαιτήσεων, στην παρούσα διατριβή αναπτύσσεται μια σειρά τεχνικών υποκατάστατων προσομοιωμάτων ενεργητικής μάθησης, τόσο για την ανάλυση αξιοπιστίας όσο και για τη Μπεϋζιανή επικαιροποίηση. Οι προτεινόμενες μεθοδολογίες συνδυάζουν τεχνικές Kriging, πολυεπίπεδα προσομοιώματα διαφορετικής πιστότητας (multi-fidelity modelling), νευρωνικά δίκτυα και νευρωνικά δίκτυα με ενσωματωμένους φυσικούς νόμους (Physics-Informed Neural Networks), με μεθόδους προσομοίωσης, όπως η Προσομοίωση Υποσυνόλων (Subset Simulation) και η Μπεϋζιανή Επικαιροποίησημε Μεθόδους Δομικής Αξιοπιστίας (Bayesian Updating with Structural Reliabilitymethods). Ιδιαίτερη έμφαση δίνεται στην ανάπτυξη προσαρμοστικών στρατηγικών μάθησης, οι οποίες επικεντρώνουν την υπολογιστική προσπάθεια στις πλέον πληροφοριακές περιοχές του προβλήματος, όπως η περιοχή γύρω από τις επιφάνειες οριακής κατάστασης και οι περιοχές αστοχίας στον χώρο των εκ των υστέρων κατανομών. Με τον τρόπο αυτό καθίσταται δυνατή η ακριβής εκτίμηση μικρών πιθανοτήτων αστοχίας και η αποδοτική επικαιροποίηση αβέβαιων παραμέτρων, με σημαντική μείωση του απαιτούμενου αριθμού υπολογιστικά απαιτητικών αποτιμήσεων. Οι προτεινόμενες μεθοδολογίες αποσκοπούν στην παροχή εύρωστων και υπολογιστικά αποδοτικών εργαλείων για την ανάλυση αξιοπιστίας, την ποσοτικοποίηση της αβεβαιότητας και την επικαιροποίηση ψηφιακών διδύμων κατασκευών πολιτικού μηχανικού.
περισσότερα
Περίληψη σε άλλη γλώσσα
Uncertainty quantification supports the assessment of structural safety and the interpretation of observations through computational models. Its application to complex engineering systems often requires a large number of expensive model evaluations, particularly when estimating rare event probabilities or inferring uncertain model parameters. This Thesis addresses these computational challenges through active learning surrogate modelling for structural reliability analysis and Bayesian updating. In structural reliability analysis, accurate estimation of small failure probabilities can require a large number of expensive structural model evaluations. To reduce this computational cost, the quantified active learning Kriging (qAK) method combines a Kriging surrogate with active learning to concentrate structural model evaluations near the limit-state surface. A probabilistic measure of misclassification and weighted clustering guide the selection of batches of informative training points. ...
Uncertainty quantification supports the assessment of structural safety and the interpretation of observations through computational models. Its application to complex engineering systems often requires a large number of expensive model evaluations, particularly when estimating rare event probabilities or inferring uncertain model parameters. This Thesis addresses these computational challenges through active learning surrogate modelling for structural reliability analysis and Bayesian updating. In structural reliability analysis, accurate estimation of small failure probabilities can require a large number of expensive structural model evaluations. To reduce this computational cost, the quantified active learning Kriging (qAK) method combines a Kriging surrogate with active learning to concentrate structural model evaluations near the limit-state surface. A probabilistic measure of misclassification and weighted clustering guide the selection of batches of informative training points. A probabilistic stopping criterion controls enrichment within Monte Carlo and Subset Simulation frameworks. For high-dimensional problems, a comparative study examines Kriging with Partial Least Squares and neural networks with MC-dropout predictive uncertainty, each combined with single-point and multiple-point enrichment. The comparison distinguishes the effects of surrogate choice and enrichment strategy through the model evaluations and training time required to reach a common accuracy. For systems governed by differential equations, a separable physics-informed neural network approach is developed to approximate the solution field and estimate failure probabilities without requiring training data from numerical simulations. A two-phase training strategy and a proximity-weighted loss concentrate learning near the limit-state surface. These approaches are assessed through numerical benchmarks and engineering applications, including beam and plate models. In Bayesian updating, observations are used to revise the distributions of uncertain model parameters, but repeated evaluations of high-fidelity models can make posterior inference computationally prohibitive. This Thesis develops a multi-fidelity active learning approach that combines high fidelity Kriging and co-Kriging to exploit information from models with different computational costs and levels of accuracy. The updating task is formulated as an equivalent reliability problem using Bayesian Updating with Structural reliability methods. Multi-fidelity Bayesian optimization determines the BUS constant, while an improved qAK-based Subset Simulation procedure solves the associated reliability problem and obtains posterior samples. The resulting qAK-BUS framework directs computational effort according to predictive uncertainty and model fidelity to reduce the number of expensive evaluations. Its performance is investigated through numerical examples and the updating of a reinforced concrete bridge, demonstrating the application of active learning to Bayesian inference in structural engineering.
περισσότερα