《Mapping-Based Hierarchical Sensitivity Analysis for Multilevel Systems With Multidimensional Correlations》笔记–Part 1
摘要
对带有多层子系统,层级间各变量关联复杂的工程系统,使用基于映射的分层灵敏的分析法构建灵敏度指标。(即基于子系统的SA评估系统整体的SA)
主要思路
- 对含有相关变量的子系统,结合**vine copula理论、Rosenblatt转换、多项式混沌展开(PCE)**三种方法(2012kuchenrenko)获得边缘SA指标;
- 利用边缘SA指标区分输入对响应的相互依赖贡献和独立贡献;
- 建立局部变量和共享变量的扩展聚合公式,整合各级子系统的敏感性指标,以估计输入对响应的全局影响。
研究进展
- A decomposition-based approach to uncertainty analysis offeed-forward multicomponent systems提出基于分解的复杂前馈系统不确定性分析方法,将局部不确定性分析综合为系统不确定性分析,该方法通过重要性抽样技术恢复变量间的依赖关系;
- HSSA:分层统计灵敏度分析,不足是只能处理具有独立子系统的层次系统;
- HSSA-sv(hierarchical statistic sensitivity analysis-shared variables):用于处理由共享变量引起的子系统响应相关的工程系统。将相关响应(dependent responses)分为多组子集,将其协方差分解为单个单个共享变量的贡献。其不足是:只考虑了两个变量的相关性,难以处理具有多维相关性的系统。
处理难点
尽管SA已经被研究的很好,但仍然很难在分层系统上进行处理。难点主要在于相关变量的分析和灵敏度指标的集成
1.常用的将相关向量转换为独立正态向量的方法有:Rosenblatt变换和Nataf变换,但两者的使用都有一定的前提条件(已知PDF或相关系数矩阵),在实际应用中有局限性。vine-copula是近期较常用的模型。(vine-copula+Rosenblatt)
定义–由共享变量导致的多位相关性
如图所示为有3层子系统的分层系统,其中X为输入变量(懒得打公式啦··就是5个X_i),Z为输出,Y为中间变量向量。系统中的所有变量可分为三类:
1.局部变量:例如X_1,X_2,X_3;
2.共享变量:例如X_4;
3.跨层级共享变量:例如X_5;
由于共享变量的存在,Y和X_5之间相互依赖,并且可能是多维的、非线性的。若忽略这些以来的存在,则会导致分析出现偏差。