機器學習模型為復(fù)雜的非線性系統(tǒng)提供風險評估

航海船只和海上平臺承受著不斷的波浪和水流。經(jīng)過幾十年的運作，這些結(jié)構(gòu)可以在沒有任何警告的情況下與流氓浪潮，怪異風暴或其他一些極端事件直接相遇，并可能帶來潛在的破壞性后果。

現(xiàn)在麻省理工學院的工程師已經(jīng)開發(fā)出一種算法，可以快速查明復(fù)雜系統(tǒng)中可能發(fā)生的極端事件的類型，例如海洋環(huán)境，其中不同大小，長度和高度的波浪可以在船上產(chǎn)生壓力和壓力或海上平臺。研究人員可以模擬極端事件(以波浪形式)可能在特定結(jié)構(gòu)上產(chǎn)生的力和應(yīng)力。

與傳統(tǒng)方法相比，該團隊的技術(shù)通過不僅考慮現(xiàn)象的統(tǒng)計性質(zhì)而且考慮到現(xiàn)象的統(tǒng)計性質(zhì)，為可能在其預(yù)期壽命期間的某個時刻承受極端事件的系統(tǒng)提供更快，更準確的風險評估。潛在動態(tài)。

“通過我們的方法，您可以從初步設(shè)計階段評估一個結(jié)構(gòu)如何表現(xiàn)不是一個波浪，而不是整個集合或波浪系列可以擊中這個結(jié)構(gòu)，”機械和海洋副教授Themistoklis Sapsis說。麻省理工學院的工程學 “你可以更好地設(shè)計你的結(jié)構(gòu)，這樣你就不會遇到超出一定限度的結(jié)構(gòu)問題或壓力。”

Sapsis表示，該技術(shù)不僅限于船舶和海洋平臺，還可以應(yīng)用于任何易受極端事件影響的復(fù)雜系統(tǒng)。例如，該方法可用于識別可在城市中產(chǎn)生嚴重洪水的風暴類型，以及可能發(fā)生洪水的地方。它還可以用于估計可能導致停電的電氣過載類型，以及在整個城市的電網(wǎng)中發(fā)生停電的地方。

Sapsis和Mustafa Mohamad是Sapsis小組的前研究生，目前是紐約大學Courant數(shù)學科學研究所的助理研究科學家，他本周將在“ 美國國家科學院院刊”上發(fā)表他們的研究成果。

繞過快捷方式

工程師通常使用計算密集型模擬來測量結(jié)構(gòu)對極端事件的耐久性，以模擬結(jié)構(gòu)對來自特定方向的波的響應(yīng)，具有一定的高度，長度和速度。這些模擬非常復(fù)雜，因為它們不僅模擬了感興趣的波，而且模擬了它與結(jié)構(gòu)的相互作用。通過模擬整個“波場”作為特定的波浪滾入，工程師可以估計結(jié)構(gòu)如何被特定波浪搖動和推動，以及由此產(chǎn)生的力和應(yīng)力可能導致?lián)p壞。

這些風險評估模擬非常精確，并且在理想情況下可以預(yù)測結(jié)構(gòu)如何對每種可能的波類型做出反應(yīng)，無論是否極端。但是這種精確度要求工程師模擬數(shù)百萬個波浪，使用不同的參數(shù)，如高度和長度尺度 - 這個過程可能需要數(shù)月才能計算出來。

“這是一個非常昂貴的問題，”薩普西斯說。“為了模擬可能在100秒內(nèi)發(fā)生的一種可能的波浪，它需要一個現(xiàn)代圖形處理器單元，這是非常快的，大約24小時。我們有興趣了解100年來極端事件發(fā)生的可能性。”

作為一種更實用的捷徑，工程師使用這些模擬器只運行幾種情況，選擇模擬他們認為可能造成最大損害的幾種隨機波類型。如果結(jié)構(gòu)設(shè)計能夠在這些極端的，隨機產(chǎn)生的波浪中幸存下來，那么工程師就會認為該設(shè)計能夠抵御海洋中類似的極端事件。

但是在選擇隨機波來模擬時，Sapsis說，工程師可能會錯過其他不太明顯的情景，例如中等波浪的組合，或者具有某種斜坡的波浪可能會發(fā)展成具有破壞性的極端事件。

“我們設(shè)法做的是放棄這種隨機抽樣邏輯，”Sapsis說。

快速學習者

Sapsis和Mohamad不是通過計算密集的模擬運行數(shù)百萬波甚至幾個隨機選擇的波，而是開發(fā)了一種機器學習算法，首先快速識別出“最重要”或“信息量最大”的波，以便通過這樣的模擬。

該算法基于這樣的想法：每個波都有一定的概率導致結(jié)構(gòu)上的極端事件。概率本身具有一些不確定性或誤差，因為它代表了復(fù)雜動力系統(tǒng)的影響。此外，一些波浪更加肯定會導致極端事件超過其他波浪。

研究人員設(shè)計了這種算法，以便能夠快速輸入各種類型的波及其物理特性，以及它們在理論海上平臺上的已知效應(yīng)。從研究人員插入算法的已知波中，它可以基本上“學習”并粗略估計平臺在響應(yīng)任何未知波時的行為方式。通過該機器學習步驟，該算法學習離岸結(jié)構(gòu)如何在所有可能的波上行為。然后，它識別出最大程度地減少極端事件概率誤差的特定波。該波很可能發(fā)生并導致極端事件。通過這種方式，該算法超越了純粹的統(tǒng)計方法，并考慮了所考慮的系統(tǒng)的動態(tài)行為。

研究人員在一個理論場景中測試了該算法，該場景涉及受到入射波影響的簡化海上平臺 該團隊首先將四個典型的波浪插入到機器學習算法中，包括波浪對海上平臺的已知影響。由此，該算法快速識別出具有高發(fā)生概率的新波的維數(shù)，并且最大限度地減少了極端事件概率的誤差。

然后，該團隊將此浪潮插入到計算密集度更高的開源模擬中，以模擬簡化的海上平臺的響應(yīng)。他們將第一次模擬的結(jié)果反饋到他們的算法中，以確定下一個要模擬的最佳波，并重復(fù)整個過程?？偟膩碚f，該小組在幾天內(nèi)進行了16次模擬，以模擬平臺在各種極端事件下的行為。相比之下，研究人員使用更傳統(tǒng)的方法進行模擬，他們盲目地模擬盡可能多的波浪，并且只有在經(jīng)過數(shù)月的數(shù)千個場景后才能生成類似的統(tǒng)計結(jié)果。

Sapsis說，結(jié)果表明，該團隊的方法很快就會在最極端事件中涉及波浪，并為設(shè)計人員提供更加明智，逼真的模擬場景，以便測試不僅僅是海上平臺的耐力，還有電網(wǎng)和洪水易發(fā)地區(qū)。

“這種方法為基于極端事件統(tǒng)計的復(fù)雜系統(tǒng)進行風險評估，設(shè)計和優(yōu)化鋪平了道路，這是一種在沒有嚴格簡化的情況下尚未考慮或完成的事情，”Sapsis說。“我們現(xiàn)在可以說，根據(jù)風險標準，我們可以根據(jù)極端事件的風險標準，使用這樣的想法來理解和優(yōu)化您的系統(tǒng)。”

這項研究部分得到了海軍研究辦公室，陸軍研究辦公室和空軍科學研究辦公室的支持，并通過美國航運局的資助啟動。