Department of Complex Systems
Pawel.Stano@ncbj.gov.pl
Paweł Stano, Ph.D.
Globalna Analiza Wrażliwości metodą Sobola
Zastosowanie do analiz RAMI
Rozważany model
) ,
(
X F
Y
) (X F
Y
Model matematyczny jest przedstawiony wzorem:
gdzie:
• Y – zmienne wyjściowe systemu,
• X – zmienne wejściowe systemu,
• – zewnętrzny szum środowiskowy,
• – strukturalna niepewność modelu,
• F – model systemu (analityczny, black-box, etc.)
Dla uproszczenia:
24.05.2017 © Paweł Stano, Ph.D. 3
Czemu służą analizy niepewności i wrażliwości?
- Why did the statistician drown in the river?
- The river was three feet deep on average.
© Sam L. Savage, The Flaw of Averages
Struktura analizy
© Andrea Saltelli
Input
Output
24.05.2017 © Paweł Stano, Ph.D. 5
Analiza niepewności vs analiza wrażliwości
Analiza niepewności Analiza wrażliwości
Typowe rezultaty analiz niepewności:
Input
Output
Analiza niepewności vs analiza wrażliwości
Analiza niepewności Analiza wrażliwości
Typowe rezultaty analiz wrażliwości:
Najpopularniejsza (ciągle) metoda: One Factor At Time (OFAT)
Zalety:
prostota,
dobre rezultaty dla modeli liniowych,
dobre rezultaty dla małych zborów danych.
Wady:
duże błędy dla modeli nieliniowych,
nie wyłapują zależności między skorelowanymi zmiennymi,
nie eksplorują całej przestrzeni stanów
24.05.2017 © Paweł Stano, Ph.D. 7
Lokalna Analiza Wrażliwości
© Evelyne Groen, An uncertain climate: the value of uncertainty and sensitivity analysis in environmental impact assessment of food"
Globalna analiza wrażliwości vs lokalna analiza wrażliwości
Globalna Analiza Wrażliwości Lokalna analiza wrażliwości OFAT
© Sam L. Savage, The Flaw of Averages
Analizowanie czynników pojedynczo (OFAT) nie pozwala na wykrycie wpływu nieliniowych interakcji pomiędzy skorelowanymi zmiennymi
Statystyczna odporność (robustness) systemu nie może być zapewniona bez odpowiednio gęstej eksploracji wielowymiarowej przestrzeni wygenerowanej przez zmienne wejściowe
Metody lokalne nie nadają się do badania niepewności epistemicznej
24.05.2017 © Paweł Stano, Ph.D. 9
Dlaczego Globalna Analiza Wrażliwości?
© Saltelli et al., Global Sensitivity Analysis, The Primer
Czynniki generujące wysoką złożoność numeryczną GSA:
Złożoność obliczeniowa modelu
Gęstość i struktura siatki pokrywającej przestrzeń stanów wejścia
Curse of dimensionality
) ( X F
Y
Ortogonalna dekompozycja modelu:
gdzie:
tak że:
24.05.2017 © Paweł Stano, Ph.D. 11
Metoda Sobola: dekompozycja wariancji
n i j n n
j i
ij i
n
i i
n 1
X X
X f
X X f X
f f
,X , X F Y
, ,
,
1,2, , 1 2
1
0
i j
i j
i j iji i
i
f f
f X
X Y E X
X f
f X
Y E X
f
Y E f
0 0
0
,
| ,
|
n
s
n
i i
i i i
i
s
s s
dX dX
f f
dX X f
1 ... ...
2 2 0 1 2
0
1
1 1
Ze wzoru:
dekompozycja wariancji:
gdzie:
Metoda Sobola: dekompozycja wariancji
X i j
i j Xij
i X
X i
V V
X X Y E
Var V
X Y E
Var V
ij ij
i i
,
|
|
~
~
ni
n
j i
n ij
i
V V
V Y
Var
1
12
n
s
n
i i
i i i
i
s
s s
dX dX
f f
dX X f
1 ... ...
2 2 0 1 2
0
1
1 1
Indeksy pierwszego stopnia Indeksy wyższych stopni
Dekompozycja wrażliwości (2n – 1 obliczeń)
Efekty całkowite (n obliczeń)
24.05.2017 © Paweł Stano, Ph.D. 13
Metoda Sobola: indeksy Sobola
1 )
( ) (
12 1
nn
j i
ij n
i
i
ijk ijk
i i
S S
S
Y Var S V
Y Var S V
1
) ( 1 |
1
~ ~
ni
Ti
i X
X Ti
S
Y Var
X Y E
S Var i i
Aproksymacja Sobola
Aproksymacja Sobola-Kucherenko
Aproksymacja Owena
Aproksymacja „Oracle”
Metoda Sobola: aproksymacje indeksów Sobola
, ,~ 2
1
~ , ,
~ , , 1
1 , '
,
1 ,
k i k i
N
k i
k i k i
k i k N
k
i F x x
x N x
F x
x N F
V
k i k i k i k i k i k i
N
k
i F x x F x x F x x
V N , ,~ , ,~ , ,~
1
' , ' '
,
1 ,
k i k i k i k i
N
k
i k i k i
k i k
i F x x F x x F x x F x x
V N , ,~ , ,~
1
~ , ,
~ ,
, , '' , , ' ' , '
1
k i k i k i k i
N
k
i k i k
i F x x f F x x F x x
V N , ,~ , ,~
1
0
~ ,
, , , ' ' , '
1
24.05.2017 © Paweł Stano, Ph.D. 15
Metoda Sobola: porównanie estymatorów
Zbieżność estymatora RMSE estymatora
© Sergei Kucherenko, “Different numerical estimators for main effect global sensitivity indices”, Reliability Engineering & System Safety (2017)
Metoda Sobola: quasi-losowe ciągi Sobola
Przykładowy ciąg Sobola: (0 0 0) (0.5 0.5 0.5) (0.75 0.25 0.25) (0.25 0.75 0.75) (0.375 0.375 0.625) (0.875 0.875 0.125) (0.625 0.125 0.875) (0.125 0.625 0.375) (0.1875 0.3125 0.9375) (0.6875 0.8125 0.4375)
Motywacja: skonstruować ciąg
tak by zachodziło
i by zbieżność była jak najszybsza.
Is
n
i
i
F
x n
1F
n
lim 1
x
i i1 I
s24.05.2017 © Paweł Stano, Ph.D. 17
Metoda Sobola: miara rozbieżności
Pseudo-losowe pokrycie metodą Monte Carlo Quasi-losowe pokrycie ciągiem Sobola
2
1/22
) (
) (
) ( )
(
Is
L N
t Q
dt t h D
t Q N m
t N h
Miara rozbieżności (discrepancy measure):
Metoda Sobola: porównanie pokrycia
© Kucherenko, Albrecht, Saltelli, “Exploring multi-dimensional spaces: a Comparison of Latin Hypercube and Quasi Monte Carlo Sampling Techniques” (2015)
s = 5
s = 10
s = 40
RAMI: Reliability, Availability, Maintainability and Inspectability
Reliability: continuity of correct operation;
Availability: readiness for correct operation;
Maintainability: ability to undergo repairs and modifications;
Inspectability: ability to undergo visits and controls.
Definicja za ITER (www.iter.org)
24.05.2017 © Paweł Stano, Ph.D. 19
Zastosowanie GSA do analiz RAMI: cele RAMI
International Fusion Materials Irradiation Facility (www.ifmif.org)
Zastosowanie GSA do analiz RAMI: IFMIF akcelerator
1. Operational Availability (OA):
2. Hardware Availability (HA):
gdzie:
‘up hours’ – total time the facility is running,
‘down hours’ – total time the facility is shut due to system failures,
‘maintenance hours’ - total time the facility is shut down due to routine maintenance,
‘total hours’ - total life time of the facility, which includes ‘up hours’, ‘down hours’, and
‘maintenance hours’, so that:
24.05.2017 © Paweł Stano, Ph.D. 21
Zastosowanie GSA do analiz RAMI: wskaźniki wydajności
OA= up hours total hours
HA= up hours
(up hours) + (down hours)
total hours = (up hours) + (down hours) + (maintenance hours)
Model F jest zadany przez program AvailSim symulujący dostępność akceleratora, który jest traktowany jak black-box,
Zmienna wyjścia Y jest zadana przez wskaźnik HA,
Zdarzenia początkowe są modelowane jako procesy odnawialne (renewal process) o rozkładzie wykładniczym z parametrami l zdeterminowanymi przez częstości awarii. Zmienne wejścia X odpowiadają niepewnościom wokół l i mają rozkłady logarytmicznie normalne.
Zastosowanie GSA do analiz RAMI: model stochastyczny
) (X F
Y
Model matematyczny:
Główne źródła niepewności w układach wejścia pochodzą z obliczania współczynników częstości awarii (Failure Rates - FR).
Współczynniki FR są uzyskiwane w wyniku analizy statystycznej występowania awarii, więc charakteryzują się naturalną niepewnością.
Współczynniki FR są modelowane jako zmienne losowe o rozkładach logarytmicznie normalnych o parametrach podanych w tabelach niezawodności.
Przedziały niepewności wylicza się korzystając ze wzorów:
24.05.2017 © Paweł Stano, Ph.D. 23
Zastosowanie GSA do analiz RAMI: źródła niepewności
median EF
) percentile 95th
(
2 ) sigma exp (
mean median
1.65 log(EF) sigma
percentile 95th
median, interval
y uncertaint
2
Złożoność obliczeniowa problemu to:
gdzie:
’n’ definiuje gęstość siatki ,
’d’ ilość zdarzeń początkowych [ponad 12000 dla całego akceleratora],
’Nsim’ ilość symulacji probabilistycznych [od 80 do 1000],
’Davailsim’ złożoność obliczeniowa pojedynczej symulacji na silniku Availsim [1-200 sekund dla analizowanego podsystemu na standardowej maszynie]
Zastosowanie GSA do analiz RAMI: złożoność obliczeniowa
D
availsim
simd
N
n
Złożoność obliczeniową można zredukować w następujący sposób:
1. Zmniejszyć ilość analizowanych zdarzeń początkowych z ’d’ do ’dimp << d’
poprzez zidentyfikowanie ’dimp’ najważniejszych zdarzeń, tj. takich które charakteryzują się najwyższymi współczynnikami Fractional Contribution (FC):
2. Zmniejszenie gęstości siatki ’n’ przez pokrycie dimp-wymiarowej przestrzeni ciągami niskiej rozbieżności (Sobol sequences, Latin-hypercube, etc.);
3. Paralellizację systemu.
24.05.2017 © Paweł Stano, Ph.D. 25
Zastosowanie GSA do analiz RAMI: redukcja złożoności obliczeniowej
lity unavailabi total
e' ' event to
due lity unavailabi
)
(
e FCZastosowanie GSA do analiz RAMI:
identyfikacja najważniejszych zdarzeń
13 zdarzeń, które mają
największy wkład w
awaryjność systemu
24.05.2017 © Paweł Stano, Ph.D. 27
Zastosowanie GSA do analiz RAMI: wyniki
5 zdarzeń o największych efektach całkowitych.
First-order approximation of the input impacts
Second-order approximation including interactions between the inputs
First-order effects plus second-order effects
Zastosowanie GSA do analiz RAMI: wnioski
Modelowany system jest silnie nieliniowy przez co indeksy wrażliwości pierwszego stopnia są niewystarczającą miarą wrażliwości systemu,
W przypadku wielu zmiennych ich wpływ na wrażliwość objawia się głównie poprzez interakcje z innymi zmiennymi,
Ranking wrażliwości zmiennych wejścia nie jest tożsamy z rankingiem awaryjności (zadanym przec współczynniki FC)
Department of Complex Systems
Pawel.Stano@ncbj.gov.pl