Learning to Simulate Structural Failures: A CVAE Framework for Engineering Risk
Notice bibliographique
Résumé
In engineering risk analysis, accurately estimating the structural failure probability of complex nonlinear systems remains a formidable challenge due to the high cost of repeated simulator evaluations. This paper proposes a conditional variational autoencoder (CVAE)-based simulation-based inference (SBI) framework to address this issue. By learning a generative model of the conditional limit-state function \(g( x )\mid x\), the proposed method enables efficient reliability estimation through conditional sampling and Bayesian inference. We demonstrate our method on a two-dimensional benchmark problem involving a four-branch limit-state surface, where each branch represents a distinct failure mechanism such as cracking, sliding, overload, or dynamic instability—typical of dam components under seismic or hydraulic loading. The CVAE surrogate successfully captures the structure of the failure boundary and provides credible intervals for the predicted failure probability. Experimental results show that the estimation achieves high accuracy, with relative error less than 3%, using only a small number of simulator calls. This confirms the potential of CVAE-based SBI as a general-purpose surrogate for structural reliability analysis. Looking ahead, our method will be extended to high-dimensional, physics-informed models and applied to real-world reliability assessments in hydropower infrastructure systems, where accurate uncertainty-aware risk quantification is critical for structural safety and decision-making.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».