Bi-fidelity surrogate modeling with Subset Simulation for structural reliability assessment

Abstract

Esta tese apresenta um novo Modelo de Aprendizagem Multitarefa Bi-Fidelidade baseado em uma Rede Neural Profunda (BFMT-DNN) para abordar o desafio computacional da análise de confiabilidade estrutural aplicada a estruturas complexas. A principal contribuição é o desenvolvimento de um novo BFMT-DNN com hiperparâmetros otimizados, que considera as vantagens da Otimização Bayesiana, focando na precisão da previsão, estabilidade e eficiência computacional para acessar a confiabilidade de problemas não lineares elevados. Para a construção deste modelo substituto, o estudo procedeu ao longo de duas etapas preliminares. Primeiramente, é apresentado um método baseado em um modelo substituto de Krigagem Bi-fidelidade associado à Simulação de Subconjuntos para análise de confiabilidade estrutural. A eficiência do modelo Krigagem Bi-fidelidade é avaliada usando um problema de confiabilidade de painel enrijecido que demanda altos custos computacionais, como modelos estruturais não lineares de análise de Elementos Finitos. A próxima etapa propôs um modelo substituto de Rede Neural Profunda de Bi-fidelidade de dois estágios em associação com Simulação de Subconjunto para quantificar a incerteza da análise estrutural e avaliar a probabilidade de falha de eventos raros de alta dimensão. Nas duas etapas, os modelos substitutos podem reproduzir o comportamento não linear na análise da incerteza da variável, reduzindo a alta demanda computacional desses problemas. Além disso, o modelo substituto BF-DNN usou a Otimização Bayesiana para ajustar os hiperparâmetros. Os modelos de multifidelidade utilizaram amostras de dados de baixa fidelidade adicionadas ao modelo para prever respostas de alta fidelidade e, ao apresentar uma boa correlação entre as fidelidades, a avaliação do método proposto mostrou que o método multifidelidade proposto é uma boa estratégia por fornecer uma probabilidade precisa de estimativa de falha com um custo reduzido computacional. Um modelo BFMT-DNN com hiperparâmetros otimizados usando amostras de dados de baixa fidelidade adicionadas ao modelo para prever respostas de alta fidelidade para análise de colapso estrutural é apresentado na análise final. A avaliação é realizada em uma turbina eólica offshore em condições extremas e descrita usando análise não linear de Elementos Finitos para obter múltiplas saídas. Os resultados mostram que os métodos de multifidelidade propostos podem fornecer uma estimativa precisa da probabilidade de falha com menor custo computacional.