Surrogate metamodeling for high-dimensional structural reliability and uncertainty quantification
연구 내용
active subspace, heteroscedastic Gaussian process, dimensionality reduction을 결합해 실패확률 및 불확실성을 효율적으로 추정하는 연구
구조 신뢰성 및 성능예측에서 핵심이 되는 실패확률 산정을 위해 고차원 확률공간에서의 불확실성을 효율적으로 다루는 연구를 수행합니다. active subspace로 주요 저차원 특성을 식별한 뒤, heteroscedastic Gaussian process 기반 서러게이트로 응답의 변동성과 비균일성을 함께 모델링합니다. 또한 dimensionality reduction 기반 stochastic simulator를 확장해 지진 입력의 고차원 불확실성을 다변량 반응으로 전파하며, 중요영역 중심의 active learning으로 학습 효율을 확보합니다. 이를 통해 정밀한 불확실성 추정과 계산비용 절감을 동시에 지향합니다.
관련 연구 성과
관련 논문
6편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기에는 고차원 확률공간에서의 신뢰성 문제를 저차원 특징공간으로 사상하고, heteroscedastic Gaussian process와 active learning을 결합한 메타모델링 틀을 제안했습니다. 2022~2024년에는 stochastic wind excitation 및 지진 입력에 대한 first-passage probability, 불확실성 전파, 중요영역 기반 탐색을 다루며 서러게이트 학습의 안정성과 탐색 효율을 강화했습니다. 2024년 이후에는 dimensionality reduction 기반 확률 시뮬레이터로 다변량 반응의 상관까지 포함하도록 확장했으며, 시스템 신뢰성 관점의 disaster resilience 분석에도 중요샘플링과 결합해 적용 범위를 넓혔습니다. 최근에는 고차원 forward uncertainty quantification을 서러게이트로 수행하는 방향으로 심화하고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Adaptive active subspace-based metamodeling for high-dimensional reliability analysis
Estimation of first-passage probability under stochastic wind excitations by active-learning-based heteroscedastic Gaussian process
Dimensionality reduction can be used as a surrogate model for high-dimensional forward uncertainty quantification
Uncertainty quantification for seismic response using dimensionality reduction‐based stochastic simulator
Efficient System Reliability–Based Disaster Resilience Analysis of Structures Using Importance Sampling
Active learning-based optimization of structures under stochastic excitations with first-passage probability constraints