메타모델 기반 중요도 샘플링을 활용한 구조 신뢰성 분석

초록

본 논문은 크리깅 기반 메타모델을 이용해 거의 최적에 가까운 중요도 샘플링 분포를 구성하고, 이를 통해 원래 한계면 함수를 직접 평가하지 않고도 정확한 고장 확률을 추정하는 방법을 제안한다. 추정값은 메타모델로 얻은 확대 고장 확률과 원본 모델을 사용한 보정 계수의 곱으로 표현되며, 적은 수의 실제 모델 호출만으로 100 차원까지 효율적으로 적용 가능함을 실험을 통해 입증한다.

상세 분석

이 연구는 구조 신뢰성 해석에서 가장 큰 난관인 고가의 유한요소 해석을 반복적으로 수행해야 하는 문제를 메타모델과 중요도 샘플링을 결합함으로써 해결한다. 먼저, 제한면 함수 g(x)를 Gaussian Process, 즉 크리깅 모델로 근사한다. 크리깅은 평균 예측 µ_G(x)와 예측 불확실성을 나타내는 분산 σ_G²(x)를 동시에 제공하는데, 저자들은 이를 이용해 확률적 분류 함수 π(x)=Φ(−µ_G(x)/σ_G(x))를 정의한다. π(x)는 에피스테믹(모델) 불확실성에 기반한 “가상” 고장 확률이며, 실제 고장 지표 1_{g≤0}(x)와는 차이가 있다.

중요도 샘플링의 이론적 최적 제안분포 h*(x)∝1_{g≤0}(x)f_X(x)는 실제 고장 지표가 필요해 구현이 불가능하지만, 저자들은 이를 π(x)로 대체하여 ĥ(x)∝π(x)f_X(x)라는 준최적 분포를 만든다. 이 분포에서 샘플을 추출하면 확대 고장 확률 p̂_f=E_f