• Nuclear Engineering and Technology
• /
• 제54권8호
• /
• pp.2941-2959
• /
• 2022

The fire brigade non-suppression probability model is a major factor that should be considered in evaluating fire-induced risk through fire probabilistic risk assessment (PRA), and also uncertainty is a critical consideration in support of risk-informed performance-based (RIPB) fire protection decision-making. This study developed an optimal integrated probabilistic fire brigade non-suppression model considering uncertainty of parameters based on the Bayesian Markov Chain Monte Carlo (MCMC) approach on electrical fire which is one of the most risk significant contributors. The result shows that the log-normal probability model with a location parameter (µ) of 2.063 and a scale parameter (σ) of 1.879 is best fitting to the actual fire experience data. It gives optimal model adequacy performance with Bayesian information criterion (BIC) of -1601.766, residual sum of squares (RSS) of 2.51E-04, and mean squared error (MSE) of 2.08E-06. This optimal log-normal model shows the better performance of the model adequacy than the exponential probability model suggested in the current fire PRA methodology, with a decrease of 17.3% in BIC, 85.3% in RSS, and 85.3% in MSE. The outcomes of this study are expected to contribute to the improvement and securement of fire PRA realism in the support of decision-making for RIPB fire protection programs.

• Journal of the Korean Statistical Society
• /
• 제31권1호
• /
• pp.63-75
• /
• 2002

Most attempts at Bayesian analysis of neural networks involve hierarchical modeling. We believe that similar results can be obtained with simpler models that require less computational effort, as long as appropriate restrictions are placed on parameters in order to ensure propriety of posterior distributions. In particular, we adopt a model first introduced by Lee (1999) that utilizes an improper prior for all parameters. Straightforward Gibbs sampling is possible, with the exception of the bias parameters, which are embedded in nonlinear sigmoidal functions. In addition to the problems posed by nonlinearity, direct sampling from the posterior distributions of the bias parameters is compounded due to the duplication of hidden nodes, which is a source of multimodality. In this regard, we focus on sampling from the marginal posterior distribution of the bias parameters with Markov chain Monte Carlo methods that combine traditional Metropolis sampling with a slice sampler described by Neal (1997, 2001). The methods are illustrated with data examples that are largely confined to the analysis of nonparametric regression models.

• 한국전산구조공학회논문집
• /
• 제23권6호
• /
• pp.641-649
• /
• 2010

Estimation of uncertain parameters is required in many engineering problems which involve probabilistic structural analysis as well as prognosis of existing structures. In this case, Bayesian framework is often employed, which is to represent the uncertainty of parameters in terms of probability distributions conditional on the provided data. The resulting form of distribution, however, is not amenable to the practical application due to its complex nature making the standard probability functions useless. In this study, Markov chain Monte Carlo (MCMC) method is proposed to overcome this difficulty, which is a modern computational technique for the efficient and straightforward estimation of parameters. Three case studies that implement the estimation are presented to illustrate the concept. The first one is an inverse estimation, in which the unknown input parameters are inversely estimated based on a finite number of measured response data. The next one is a metamodel uncertainty problem that arises when the original response function is approximated by a metamodel using a finite set of response values. The last one is a prognostics problem, in which the unknown parameters of the degradation model are estimated based on the monitored data.

• 지구물리와물리탐사
• /
• 제5권4호
• /
• pp.262-271
• /
• 2002

본 연구에서는 지구물리 자료의 베이지안 역산을 효과적으로 수행하는 방법에 관해 논의하였다. 베이지안 처리에서 가장 문제가 되는 사전확률분포를 구하기 위해 지구통계학적 방법을 적용하였으며, 사후확률분포의 추정을 위해 MCMC(Markov Chain Monte Carlo) 방법을 적용하였다. 쌍극자배열 전기비저항 탐사 자료의 2차원 역산을 위해 슐럼버저배열 전기비저항탐사 자료와 시추공 자료를 사전 정보로 이용하였으며, 이들 사전정보에 대해 지구통계학적 방법을 적용하여 사전확률분포를 작성하였다. 쌍극자배열 전기비저항 탐사 자료를 최대 우도함수로 하는 사후확률분포는 차원이 매우 높은 적분을 요구하므로, 이를 추정하기 위해 MCMC기술을 적용하였으며, 보다 효율적인 접근을 위해 Gibbs샘플링 방법을 이용하였다. 그 결과 비모수적 방식으로 사후확률분포를 분석함으로써 보다 신뢰성 있는 해를 구할 수 있었으며, 주변화(marginalization)된 사후확률분포를 이용하여 다양한 분석을 적용할 수 있었다.

• 대한기계학회논문집A
• /
• 제35권10호
• /
• pp.1299-1306
• /
• 2011

본 연구에서는 측정된 균열 데이터를 토대로 변동하중 하에서의 균열성장모델 변수들을 베이지안 모델변수 추정 방법을 통해서 확률적인 분포로 구하는 방법을 제시하였다. 모델변수의 확률분포를 구하기 위해 Markov Chain Monte Carlo (MCMC) 샘플링 방법을 이용하였다. 변동하중 하에서는 균열성장 모델이 더욱 복잡해 짐에 따라 기존의 MCMC 기법으로는 확률분포를 잘 구하지 못하므로 주변확률밀도분포를 제안함수로 사용하는 MCMC 기법을 새롭게 제안하였다. 모델변수의 추정을 위해 여러 크기의 일정 진폭 하중 하에서 시편시험을 수행하여 얻은 균열성장 데이터를 이용하였다. 추정된 변수들을 사용하여 변동하중 하에서의 시편에 대해 균열성장 예측을 수행하였고, 이를 실제 시험 데이터를 통해서 검증하였다.

• 품질경영학회지
• /
• 제35권4호
• /
• pp.159-165
• /
• 2007

Using statistical methods a change-point analysis of oil supply disruption is conducted. The statistical distribution of oil supply disruption is a weibull distribution. The detection of the change-point is applied to Bayesian method and weibull parameters are estimated through Markov chain monte carlo and parameter approach. The statistical approaches to the estimation for the change-point and weibull parameters is implemented with the sets of simulated and real data with small sizes of samples.

• 한국수자원학회논문집
• /
• 제41권1호
• /
• pp.35-47
• /
• 2008

저수분석(low flow analysis)은 수자원공학에서 중요한 분야 중 하나이며, 특히 저수량 빈도분석(low flow frequency analysis)의 결과는 저수(貯水)용량의 설계, 물 수급계획, 오염원의 배치 및 관개와 생태계의 보존을 위한 수량과 수질의 관리에 중요하게 사용된다. 그러므로 본 연구에서는 저수량 빈도분석을 위한 점 빈도분석을 수행하였으며, 특히 빈도분석에 있어서의 불확실성을 탐색하기 위하여 Bayesian 방법을 적용하고 그 결과를 기존에 사용되던 불확실성 탐색방법과 비교하였다. 본 논문의Ⅰ편에서는 Bayesian 방법 중 사전분포(prior distribution)와 우도함수(likelihood function)의 복잡성에 상관없이 계산이 가능한 Bayesian MCMC(Bayesian Markov Chain Monte Carlo) 방법과 Metropolis-Hastings 알고리즘을 사용하기 위한 여러 과정의 이론적 배경과 Bayesian 방법에서 가장 중요한 요소인 사전분포를 구축하고 이를 비교 및 평가하였다. 고려된 사전분포는 자료에 기반하지 않은 사전분포와 자료에 기반한 사전분포로써 두 사전분포를 이용하여 Metropolis-Hastings 알고리즘을 수행하고 그 결과를 비교하여 저수량 빈도분석에 합리적인 사전분포를 선정하였다. 또한 알고리즘의 수행과정에서 필요한 제안분포(proposal distribution)를 적용하여 그에 따른 알고리즘의 효율성을 채택률(acceptance rate)을 산정하여 검증해 보았다. 사전분포의 분석 결과, 자료에 기반한 사전분포가 자료에 기반하지 않은 사전분포보다 정확성 및 불확실성의 표현에 있어서 우수한 결과를 제시하는 것을 확인할 수 있었고, 채택률을 이용한 알고리즘의 효용성 역시 기존 연구자들이 제시하였던 만족스러운 범위를 가지는 것을 알 수 있었다. 최종적으로 선정된 사전분포는 본 연구의 II편에서 Bayesian MCMC방법의 사전분포로 이용되었으며, 그 결과를 기존 불확실성의 추정방법의 하나인 2차 근사식을 이용한 최우추정(maximum likelihood estimation)방법의 결과와 비교하였다.

• 한국수자원학회논문집
• /
• 제43권4호
• /
• pp.337-351
• /
• 2010

극치사상을 예측하기 위한 기존의 빈도분석 결과의 이용에 대한 많은 문제점들이 부각되고 있다. 특히, 통계적 모형을 이용하기 위해서 흔히 사용되는 점근적 모형 (asymptotic model)의 합리적인 검토 없는 외삽 (extrapolation)은 산정된 확률 값을 과대 또는 과소평가하는 문제를 일으켜, 예측결과에 대한 불확실성을 과다하게 산정함으로써 불확실성에 대한 신뢰도를 감소시키는 문제가 있다. 그러므로 본 연구에서는 국내에서 극치강우사상을 포함한 강우자료의 빈도분석에 대한 연구사례를 제공하고 점근적 모형을 사용하는 경우 발생되는 불확실성을 감소시키기 위한 방법론을 제시하였다. 이를 위하여 본 연구에서는 극치강우사상의 빈도분석을 수행하는 데 있어서 최근 들어 여러 분야에서 다양하게 적용되고 있는 Bayesian MCMC (Markov Chain Monte Carlo) 방법을 사용하였으며, 그 결과를 최우추정방법 (Maximum likelihood estimation method)과 비교하였다. 특히 강우사상의 점 빈도분석에 흔히 이용되는 확률밀도함수로 GEV (Generalized Extreme Value) 분포와 Gumbel 분포를 모두 고려하여 두 분포의 결과를 비교하였으며, 이 과정에서 각각의 산정결과 및 불확실성은 근사식을 이용한 최우추정방법과 Bayesian 방법을 이용하여 각각 비교 및 분석되었다.

• Smart Structures and Systems
• /
• 제21권5호
• /
• pp.601-609
• /
• 2018

The estimated probabilistic model of wind data based on the conventional approach may have high discrepancy compared with the true distribution because of the uncertainty caused by the instrument error and limited monitoring data. A sequential quadratic programming (SQP) algorithm-based finite mixture modeling method has been developed in the companion paper and is conducted to formulate the joint probability density function (PDF) of wind speed and direction using the wind monitoring data of the investigated bridge. The established bivariate model of wind speed and direction only represents the features of available wind monitoring data. To characterize the stochastic properties of the wind parameters with the subsequent wind monitoring data, in this study, Bayesian inference approach considering the uncertainty is proposed to update the wind parameters in the bivariate probabilistic model. The slice sampling algorithm of Markov chain Monte Carlo (MCMC) method is applied to establish the multi-dimensional and complex posterior distribution which is analytically intractable. The numerical simulation examples for univariate and bivariate models are carried out to verify the effectiveness of the proposed method. In addition, the proposed Bayesian inference approach is used to update and optimize the parameters in the bivariate model using the wind monitoring data from the investigated bridge. The results indicate that the proposed Bayesian inference approach is feasible and can be employed to predict the bivariate distribution of wind speed and direction with limited monitoring data.

• 한국지구물리탐사학회:학술대회논문집
• /
• 한국지구물리탐사학회 2003년도 Proceedings of the international symposium on the fusion technology
• /
• pp.340-343
• /
• 2003

This study presents a practical procedure for the Bayesian inversion of geophysical data by Markov chain Monte Carlo (MCMC) sampling and geostatistics. We have applied geostatistical techniques for the acquisition of prior model information, and then the MCMC method was adopted to infer the characteristics of the marginal distributions of model parameters. For the Bayesian inversion of dipole-dipole array resistivity data, we have used the indicator kriging and simulation techniques to generate cumulative density functions from Schlumberger array resistivity data and well logging data, and obtained prior information by cokriging and simulations from covariogram models. The indicator approach makes it possible to incorporate non-parametric information into the probabilistic density function. We have also adopted the MCMC approach, based on Gibbs sampling, to examine the characteristics of a posteriori probability density function and the marginal distribution of each parameter. This approach provides an effective way to treat Bayesian inversion of geophysical data and reduce the non-uniqueness by incorporating various prior information.