Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
ÉChantillonnage stratifié multi-fidélité piloté par l'apprentissage automatique adaptatif pour l'analyse des défaillances des systèmes stochastiques non linéaires
Created by
Haebom
Auteur
Liuyun Xu, Seymour MJ Spence
Contour
Cet article propose une technique d'échantillonnage stratifié multi-fidélité utilisant un méta-modèle d'apprentissage automatique adaptatif pour résoudre le problème selon lequel les techniques existantes de réduction de la variance nécessitent encore une évaluation approfondie du modèle dans les simulations probabilistes pour l'analyse des événements rares. Un méta-modèle basé sur l'apprentissage profond est entraîné sur un ensemble de données haute fidélité et utilisé comme modèle basse fidélité. Une technique d'entraînement adaptative équilibre la précision de l'approximation et le coût de calcul. Les résultats du modèle basse fidélité sont intégrés à d'autres résultats haute fidélité pour estimer la probabilité de défaillance à chaque niveau à l'aide d'un cadre de Monte Carlo multi-fidélité. La probabilité de défaillance globale est calculée à l'aide du théorème de probabilité globale. Les simulations de charge de vent sur un immeuble de grande hauteur démontrent que la technique proposée permet d'estimer avec précision les courbes de probabilité de dépassement tout en réduisant considérablement les coûts de calcul par rapport aux techniques existantes de réduction de la variance à fidélité unique.
Takeaways, Limitations
•
Takeaways:
◦
Nous présentons une nouvelle approche multi-fidélité qui peut réduire considérablement les coûts de calcul dans l’analyse des événements rares.
◦
Utilisation efficace de modèles haute fidélité en exploitant les méta-modèles d’apprentissage automatique adaptatif.
◦
Preuve de la faisabilité de la propagation efficace de l'incertitude et de l'estimation de la probabilité d'événements rares dans des environnements complexes de modélisation par éléments finis non linéaires.
◦
Vérification de l'applicabilité pratique par simulation des charges de vent sur les immeubles de grande hauteur.
•
Limitations:
◦
Des recherches supplémentaires sont nécessaires pour déterminer la généralité de la technique proposée et son applicabilité à divers types de problèmes.
◦
Une analyse de sensibilité et des stratégies de gestion des erreurs sont nécessaires pour la précision du métamodèle.
◦
Des considérations supplémentaires sont nécessaires concernant la taille des données et le temps de formation requis pour la formation du méta-modèle basé sur l’apprentissage en profondeur.
◦
ÉTant donné qu’il s’agit de résultats de validation pour un type spécifique de problème (charge de vent sur les immeubles de grande hauteur), des recherches supplémentaires sont nécessaires pour déterminer la généralisabilité à d’autres types de problèmes.
