An adaptive Bayesian support vector regression proposal for structural reliability
Cargando...
Autores
Tipo de contenido
Editor
Document language:
Inglés
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
El análisis de confiabilidad estructural en sistemas ingenieriles complejos está limitado frecuentemente por el alto costo computacional del análisis de elementos finitos cuando se utilizan métodos de simulación tradicionales como la simulación de Monte Carlo. Aunque otros modelos sustitutos como Kriging han sido ampliamente adoptados por su cuantificación de incertidumbre incorporada, a menudo sufren de la llamada maldición de la dimensionalidad y también de altos costos de entrenamiento. La regresión de vectores de soporte ofrece una generalización superior en espacios de alta dimensión basada en el principio de minimización del riesgo estructural. Sin embargo, sus formulaciones estándar no proveen la información probabilística necesaria para el aprendizaje activo. Para superar estas limitaciones, el presente estudio propone un modelo de regresión de vectores de soporte Bayesiano adaptativo (ABSVR) para la evaluación eficiente de la confiabilidad.
El trabajo presenta una implementación en Python del algoritmo ABSVR, adaptando el marco de inferencia Bayesiana para tratar los parámetros del modelo como variables aleatorias, permitiendo así la cuantificación de la varianza de predicción. A diferencia de las implementaciones tradicionales, esta propuesta introduce mejoras algorítmicas específicas, incluyendo políticas de muestreo sensibles a las colas para acelerar la convergencia en el dominio de falla y un factor de mejora por gradiente para priorizar regiones de alta no linealidad. El marco emplea una estrategia de aprendizaje activo que utiliza una función de aprendizaje compuesta para seleccionar muestras informativas cerca de la superficie de estado límite. Un análisis de sensibilidad evalúa diferentes configuraciones del modelo, examinando cómo la inicialización de hiperparámetros y la selección del kernel afectan la precisión de la predicción.
Seis problemas de referencia, con diferentes especificaciones, validan el método. Los resultados demuestran que ABSVR logra estimaciones precisas de la probabilidad de falla con errores inferiores al 2% en estados límite bien condicionados, requiriendo significativamente menos evaluaciones de la función que la simulación de Monte Carlo o los enfoques basados en Kriging. En los problemas de referencia con dominios de falla altamente no lineales o disjuntos, el algoritmo mantiene su competitividad en eficiencia pero exhibe mayor variabilidad, lo cual la discusión documenta junto a los casos en que el marco tiene éxito.
Abstract
Structural reliability analysis of complex engineering systems is often hindered by the high computational cost of finite element analysis (FEA) when using traditional simulation methods like Monte Carlo simulation (MCS). While surrogate models such as Kriging have been widely adopted for their built-in uncertainty quantification, they often suffer from the curse of dimensionality and high training costs. Support vector regression (SVR) offers superior generalization in high-dimensional spaces based on the structural risk minimization principle, yet standard formulations lack the probabilistic output required for active learning. To address these limitations, this study proposes an Adaptive Bayesian Support Vector Regression (ABSVR) framework for efficient reliability assessment.
This work presents a Python implementation of the ABSVR algorithm, adapting the Bayesian inference framework to treat model parameters as random variables, thereby enabling the quantification of prediction variance. Distinct from traditional implementations, this proposal introduces algorithmic enhancements, including tail-sensitive sampling policies to accelerate convergence in the failure domain and a gradient enhancement factor to weight regions of high nonlinearity. The framework employs an active learning strategy that uses a composite learning function to select informative samples near the limit state surface. A sensitivity analysis evaluates different model configurations, examining how hyperparameter initialization and kernel selection affect prediction accuracy.
Six benchmark problems, with different specifications, validate the method. The results show that ABSVR achieves accurate failure probability estimates with errors below 2% on well-behaved limit states, while requiring significantly fewer function evaluations than Monte Carlo simulation or Kriging-based approaches. On benchmarks with highly nonlinear or disjoint failure domains, the algorithm remains competitive in efficiency but exhibits higher variability, which the discussion documents alongside the cases where the framework succeeds (Texto tomado de la fuente).
Palabras clave propuestas
Descripción
graficas, tablas