Uncertainty quantification and phenomenological knowledge: Predictive power of emulator models for tail behaviour of safety critical systems
Alternativ tittel: Usikkerhetskvantifisering og fenomenologisk kunnskap: Presisjon av emulatormodeller for haleoppførsel av sikkerhetskritiske systemer
Kunstig intelligens basert på data-drevene metoder er utfordrende å ta i bruk i sikkerhetskritiske systemer. Komplekse fysiske fenomener kombinert med stor usikkerhet gjør det vanskelig å finne gode beslutninger, og konsekvensene fra en feil beslutning kan være katastrofale. I dette arbeidet har vi utviklet metoder som kombinerer sannsynlighetsteori med fysikkbasert kunnskap for å redusere usikkerhet og risiko i datadrevne beslutninger.
Målet med dette prosjektet er å utvikle nye verktøy som er nødvendige for å kunne ta i bruk datadreven modellering og maskinlæring i sikkerhetskritiske systemer, slik som et skip, offshore strukturer eller et romfartøy. For å lykkes med dette, må kunnskapen vi har om det relevante fysiske systemet utnyttes optimalt.
Vi har studert forskjellige måter for å ta i bruk fysikkbasert kunnskap i probabilistisk modellering. En metode for å ta i bruk fenomenologisk kunnskap som beskrankninger i probabilistisk maskinlæring (Gaussiske Prosesser) har blitt utviklet. Vi har også studert en ny metode for bruk i pålitelighetsanalyse der feiltilstanden er ukjent (Miljøkonturer), som har resultert i ny teoretisk innsikt og en ny praktisk algoritme. Vi har igjennom prosjektet hatt et spesielt fokus på utvikling av metoder og algoritmer som kan brukes til optimal beslutningstagning under usikkerhet. Vi har utviklet en algoritme for optimal design av eksperimenter, som kan brukes til å bestemme hvordan man optimalt kan innhente ny informasjon for å oppdatere en modell. Vi har også generalisert dette rammeverket ved bruk av forsterkende læring (Reinforcement Learning), for å håndtere situasjoner der effekten av en beslutning materialiseres lenger frem i tid. Bruk av disse metodene er spesielt relevant for probabilistisk analyse av sjeldne hendelser, slik som strukturell feil i sikkerhetskritiske systemer, hvor det ikke finnes nok data til å stole på observasjoner alene.
Vi har opparbeidet ny kunnskap som er viktig for fremtidig bruk av maskinlæring og datadreven modellering i sikkerhetskritiske systemer. Metodene som har blitt utviklet kan i dag benyttes i kommersielle prosjekter og forskningsarbeid hos DNV.
The project will seek to establish the necessary mathematical framework for introducing phenomenological knowledge in response surface models. These are fast running approximations of complex time consuming computer simulations or expensive physical experiments, based on limited realizations of the simulation/experiment and statistical machine learning. This approach is especially relevant for probabilistic analysis of rare events, such as structural failure in safety critical systems, where not enough data exist to rely on observations alone.
Some of the key challenges today relate to the rapid increase in structural complexity of engineering systems, together with the need for more accurate and reliable models to support decision making under uncertainty. Here, today's purely statistical approach is not sufficient. By introducing constraints based on phenomenological knowledge we believe that we can overcome these challenges, and develop the mathematical tools needed for probabilistic analysis of complex engineering systems in the digital era. It will thus form a basis for update of existing and development of future rules and recommended practices delivered by DNV GL.
The main focus of the project is to develop new mathematical tools. To demonstrate how these tools may be applied, some relevant applications from the Oil & Gas industry will be selected for numerical experimentation.