Data-driven Sensitivity Analysis using Residual Bootstrap via SVR

Abstract

Distribution-based sensitivity analysis has consistently been studied to identify the uncertainty of parameters in a data-driven situation. Various studies on product development time and cost reduction have been conducted in a variety of different industrial fields, and it is a good example to solve development time and cost problems through computer simulations such as Finite Element Analysis (FEA). However, it is true that a series of schedules made through interpretation also requires a lot of time. Recently, analysis using big data has been applied in various fields, which allows more stable access to problems than conventional methods. However, analysis using data is not easy in a situation where a lot of data is not secured, such as in the early stages of development. In this thesis, we propose a new data-driven sensitivity analysis to overcome these limitations. In order to minimize errors that may occur if there is insufficient data, Support Vector Regression (SVR) fittings were performed on the given data, and bootstrap sampling was performed to preserve trends for each grid through residual bootstraps within the given grid. Using these samples, input factors that well explain (or most unaffected) the uncertainty of the output were found through sensitivity analysis. This method showed consistent results not only when the data were small, but also when the data had sufficient amounts, confirming that it could be applied universally regardless of the amount of data. |데이터가 주어진 상황에서 파라미터들의 불확실성을 파악하기 위한 분포기반 민감도 분석이 꾸준히 연구되고 있다. 여러 산업 분야에서 제품 개발 타이밍이나 코스트를 줄이는 일에 대한 연구가 다양하게 이루어져 왔고, 컴퓨터 시뮬레이션을 통해 (예를 들어 FEA) 타이밍과 코스트 문제를 해결해 온 것은 좋은 예이다. 그러 나 해석을 통해 이루어지는 일련의 과정도 많은 시간을 요구하는 것이 사실이다. 최근 빅데이터를 이용한 분석이 다양한 분야에서 적용되고 있으며, 이는 기존의 방식보다 더 안정적으로 문제에 접근하게 해 준다. 그러나 개발 초기 단계처럼 데 이터를 많이 확보하지 못한 상황에서는 데이터를 이용한 분석이 용이하지 않다. 본 연구에서는 이와 같은 한계점을 극복하기 위해 새로운 데이터 기반 민감도 분 석을 제안한다. 데이터가 충분하지 않은 경우 생길 수 있는 오차의 최소화를 위해 주어진 데이터에 대한 SVR 피팅을 하고, 각각의 변수의 수준을 적절하게 분할하 여 주어진 구간 내 잔차부트스트랩을 통해 구간별 트랜드를 보존할 수 있는 부트 스트랩 샘플링을 진행했다. 이 샘플링들을 이용해 출력의 불확실성을 잘 설명(또 는 가장 영향없는)하는 입력 인자들을 민감도 분석을 통해 찾아내었다. 이 방법은 데이터가 작은 경우뿐만 아니라 충분한 양의 데이터를 가진 경우에도 일치된 결과 를 보여주었고 이로 인해 데이터 개수와 관계없이 범용으로 적용할 수 있음을 확 인하였다.