h1

000836921 001__ 836921
000836921 005__ 20251010123815.0
000836921 0247_ $$2HBZ$$aHT021183107
000836921 0247_ $$2Laufende Nummer$$a40915
000836921 0247_ $$2datacite_doi$$a10.18154/RWTH-2021-11693
000836921 037__ $$aRWTH-2021-11693
000836921 041__ $$aEnglish
000836921 082__ $$a550
000836921 1001_ $$0P:(DE-82)IDM05271$$aZhao, Hu$$b0$$urwth
000836921 245__ $$aGaussian processes for sensitivity analysis, Bayesian inference, and uncertainty quantification in landslide research$$cvorgelegt von Hu Zhao, M.Eng.$$honline
000836921 260__ $$aAachen$$bRWTH Aachen University$$c2021
000836921 260__ $$c2022
000836921 300__ $$a1 Online-Ressource : Illustrationen
000836921 3367_ $$02$$2EndNote$$aThesis
000836921 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000836921 3367_ $$2BibTeX$$aPHDTHESIS
000836921 3367_ $$2DRIVER$$adoctoralThesis
000836921 3367_ $$2DataCite$$aOutput Types/Dissertation
000836921 3367_ $$2ORCID$$aDISSERTATION
000836921 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University 2022
000836921 502__ $$aDissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2021$$bDissertation$$cRheinisch-Westfälische Technische Hochschule Aachen$$d2021$$gFak05$$o2021-11-04
000836921 5203_ $$aErdrutsche sind eine weltweit häufig auftretende Naturgefahr. Sie stellen eine ständige Bedrohung für Leben, Eigentum und Umwelt dar. Aufgrund der Notwendigkeit, die Gefahren zukünftiger Erdrutsche vorherzusagen und Strategien zur Schadensbegrenzung zu entwickeln, wurden in den letzten Jahrzehnten verschiedene physikbasierte Auslaufmodelle für Rutschungen entwickelt. Um eine zuverlässige und transparente simulationsbasierte Risikobewertung und Schadeneindämmung zu erreichen, ist ein umfassendes Verständnis der verschiedenen mit diesen Modellen verbundenen Unsicherheiten erforderlich. Fortgeschrittene statistische Methoden, welche in der Lage sind, die Unsicherheiten angemessen zu berücksichtigen, sind jedoch aufgrund des Rechenengpasses, der sich aus der relativ langen Laufzeit einer einzelnen Simulation und der großen Anzahl notwendiger Simulationen ergibt, häufig nicht anwendbar. Um die hieraus resultierende Forschungslücke zu schließen, werden in dieser Arbeit neue Methoden entwickelt und untersucht. Sie bilden einen einheitlichen Rahmen, der es ermöglicht, sowohl Vorwärtsprobleme als auch inverse Probleme, die sich aus den verschiedenen Unsicherheiten ergeben, systematisch, routinemäßig und effizient zu untersuchen. Kapitel 1 beschreibt den Hintergrund, erläutert die Forschungslücke und motiviert diese Arbeit. In den Kaiteln 2 und 3 werden die Theorien der beiden wesentlichen Komponenten des vereinheitlichten Frameworks vorgestellt, nämlich physikbasierte Auslaufmodelle für Rutschungen und datengesteuerte Gaußsche Prozessemulatoren. Kapitel 4 präsentiert eine neue Methodik für effiziente varianzbasierte globale Sensitivitätsanalysen von Rutschungsmodellen. Die Methodik koppelt tiefengemittelte Rutschungsmodelle, varianzbasierte Sensitivitätsanalysen, robuste multivariate Gaußsche Prozessemulationstechniken und einen Algorithmus, der die Emulatorunsicherheit berücksichtigt. Die Realisierbarkeit und Effizienz wird durch eine Fallstudie validiert, die auf dem Bondo-Erdrutschereignis 2017 basiert. Die Ergebnisse zeigen, dass die Methodik allgemeine Erkenntnisse aus der Literatur reproduzieren kann und weitere Informationen zu Wechselwirkungen zwischen Eingangsvariablen entlang des gesamten Rutschwegs liefert. In Kapitel 5 wird eine neue Methodik zur effizienten Parameterkalibrierung von Rutschungsmodellen vorgestellt. Die Methode wird durch die Integration von tiefengemittelten Rutschungsmodellen, bayessche Inferenz, Gaußscher Prozessemulation und aktivem Lernen entwickelt. Eine Fallstudie zur Anwendung der neuen Methode wird anhand des Bondo-Erdrutsches von 2017 mit synthetischen beobachteten Daten durchgeführt. Die Ergebnisse zeigen, dass die Methode in der Lage ist, die rheologischen Parameter korrekt zu kalibrieren und die Recheneffizienz erheblich zu verbessern. Kapitel 6 ist der Unsicherheitsquantifizierung von Rutschungsmodellen gewidmet. Der Fokus liegt auf der topografischen Unsicherheit, die in der aktuellen Praxis meist übersehen wird. Es werden zwei Arten von geostatistischen Methoden verwendet, um die Auswirkungen der topografischen Unsicherheit auf die Modellierung des Erdrutschauslaufs basierend auf dem Yu Tung-Erdrutschereignis 2008 zu untersuchen. Es wird festgestellt, dass die topografische Unsicherheit die Modellierung des Erdrutschauslaufs erheblich beeinflusst, je nachdem, wie gut der zugrunde liegende Rutschweg dargestellt wird. Darüber hinaus wird der enge Zusammenhang zwischen den beiden geostatistischen Methoden und den Gaußschen Prozessen deutlich. Darauf aufbauend wird eine neue Methode vorgeschlagen, welche die Karhunen-Loeve-Expan-sion verwendet, um die Dimensionalität der topographischen Unsicherheit zu reduzieren. Diese Methode hat großes Potenzial, die Gaußsche Prozessemulation auch für hochdimensionale topografische Unsicherheiten anwendbar zu machen und erlaubt daher, topografische Unsicherheit in einem einheitlichen Rahmen zu behandeln. Kapitel 7 enthält abschließende Bemerkungen und Empfehlungen für zukünftige Arbeiten.$$lger
000836921 520__ $$aLandslides are common natural hazards occurring around the world. They pose an ongoing threat to lives, properties, and environment. Driven by the practical need to predict hazards of future landslides and design mitigation strategies, various physics-based landslide run-out models have been developed in the past decades. To achieve reliable and transparent simulation-based risk assessment and mitigation design, comprehensive understanding of the various uncertainties associated with these models is required. However, advanced statistical methods that are capable of properly addressing the uncertainties are often not applicable due to the computational bottleneck resulting from the relatively long run time of a single simulation and the large number of necessary simulations. To address the research gap, new methodologies are developed and studied in this thesis. They make up a unified framework that allows us to systematically, routinely, and efficiently investigate both forward and inverse problems resulting from the various uncertainties. Chapter 1 introduces the background, frames the research gap, and motivates this study. Chapter 2 and 3 present theories of the two essential components of the unified framework, namely physics-based landslide run-out models and data-driven Gaussian process emulators. Chapter 4 presents a new methodology for efficient variance-based global sensitivity analyses of landslide run-out models. The methodology couples depth-averaged landslide run-out models, variance-based sensitivity analyses, robust multivariate Gaussian process emulation techniques, and an algorithm accounting for the emulator-uncertainty. Its feasibility and efficiency are validated by a case study based on the 2017 Bondo landslide event. The results show that it can recover common findings in the literature and provides further information on interactions between input variables along the full flow path. Chapter 5 presents a new methodology for efficient parameter calibration of landslide run-out models. It is developed by integrating depth-averaged landslide run-out models, Bayesian inference, Gaussian process emulation, and active learning. A case study using the new method is conducted based on the 2017 Bondo landslide event with synthetic observed data. The results show that the method is capable of correctly calibrating the rheological parameters and greatly improving the computational efficiency. Chapter 6 is devoted to uncertainty quantification of landslide run-out models. The focus is put on topographic uncertainty which is mostly overlooked in current practice. Two types of geostatistical methods are used to study the impact of topographic uncertainty on landslide run-out modeling based on the 2008 Yu Tung landslide event. It is found that topographic uncertainty significantly affects landslide run-out modeling, depending on how well the underlying flow path is represented. In addition, the close relation between the two geostatistical methods and Gaussian processes is revealed. Based on it, a new method that employs Karhunen–Loeve expansion to reduce the dimensionality of topographic uncertainty is proposed. It has great potentials to make Gaussian process emulation also applicable for high-dimensional topographic uncertainty and therefore allows us to treat topographic uncertainty within the unified framework. Chapter 7 provides concluding remarks and recommendations for future work.$$leng
000836921 588__ $$aDataset connected to Lobid/HBZ
000836921 591__ $$aGermany
000836921 653_7 $$aBayesian inference
000836921 653_7 $$aGaussian process
000836921 653_7 $$alandslide run-out modeling
000836921 653_7 $$asensitivity analysis
000836921 653_7 $$auncertainty quantification
000836921 7001_ $$0P:(DE-82)IDM01155$$aReicherter, Klaus$$b1$$eThesis advisor$$urwth
000836921 7001_ $$0P:(DE-82)IDM00455$$aKowalski, Julia$$b2$$eThesis advisor$$urwth
000836921 8564_ $$uhttps://publications.rwth-aachen.de/record/836921/files/836921.pdf$$yOpenAccess
000836921 8564_ $$uhttps://publications.rwth-aachen.de/record/836921/files/836921_source.zip$$yRestricted
000836921 909CO $$ooai:publications.rwth-aachen.de:836921$$pdnbdelivery$$pdriver$$pVDB$$popen_access$$popenaire
000836921 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM01155$$aRWTH Aachen$$b1$$kRWTH
000836921 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00455$$aRWTH Aachen$$b2$$kRWTH
000836921 9141_ $$y2021
000836921 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000836921 9201_ $$0I:(DE-82)080003_20140620$$k080003$$lAachen Institute for Advanced Study in Computational Engineering Science$$x2
000836921 9201_ $$0I:(DE-82)531320_20140620$$k531320$$lLehr- und Forschungsgebiet Neotektonik und Georisiken$$x0
000836921 9201_ $$0I:(DE-82)530000_20140620$$k530000$$lFachgruppe für Geowissenschaften und Geographie$$x1
000836921 961__ $$c2022-01-27T10:52:20.790536$$x2021-12-13T22:24:10.109235$$z2022-01-27T10:52:20.790536
000836921 9801_ $$aFullTexts
000836921 980__ $$aI:(DE-82)080003_20140620
000836921 980__ $$aI:(DE-82)530000_20140620
000836921 980__ $$aI:(DE-82)531320_20140620
000836921 980__ $$aUNRESTRICTED
000836921 980__ $$aVDB
000836921 980__ $$aphd