基于主动学习Kriging模型的结构多失效模式可靠度计算

对于具有多失效模式的结构可靠度计算问题,利用多输出Kriging模型作为代理模型进行分析。该代理模型只需对所有功能函数进行一次建模,无需对每个功能函数建立各自的代理模型,且在建模过程中能够考虑各失效模式之间的相关性。本文方法设定的初始样本点不仅对随机变量均值附近区域给予足够重视,而且能够兼顾设计空间的边缘区域,进而确保初始代理模型在全局空间内具有较好精度,以减少后续利用学习函数更新代理模型的次数。数值算例表明,本文方法具有较好的计算精度和较高的计算效率,当失效模式较多时,计算效率大幅提升。     

基于LCF-Kriging模型的结构多失效模式可靠度计算

针对多失效模式下结构体系可靠度计算中的代理模型构建成本与计算精度如何权衡的问题,本文以减小体系失效概率预测方差为出发点,推导出最大贡献函数（LCF-Largest Contribution Function）来识别对体系失效概率方差影响较大的样本。LCF函数可减少对体系失效概率方差影响较小区域内样本数量,进而提高代理模型的计算效率;通过置信水平和允许相对误差建立LCF函数的学习停止条件,能够保证已有样本信息不浪费。本文选取能够对多个功能函数联合构建的多输出Kriging模型作为代理模型,基于LCF-Kriging模型并结合MCS对体系可靠度进行计算,功能函数的相关性可通过各失效模式的逻辑关系予以考虑。数值算例表明,在适当的学习停止条件下,对于串联、并联和串并混联的结构体系可靠度评估,本文方法均能在计算精度和计算效率之间达到满意平衡。     

基于LCF-Kriging模型的结构多失效模式可靠度计算

针对多失效模式下结构体系可靠度计算中的代理模型构建成本与计算精度如何权衡的问题，本文以减小体系失效概率预测方差为出发点，推导出最大贡献函数（LCF-Largest Contribution Function）来识别对体系失效概率方差影响较大的样本。LCF函数可减少对体系失效概率方差影响较小区域内样本数量，进而提高代理模型的计算效率；通过置信水平和允许相对误差建立LCF函数的学习停止条件，能够保证已有样本信息不浪费。本文选取能够对多个功能函数联合构建的多输出Kriging模型作为代理模型，基于LCF-Kriging模型并结合MCS对体系可靠度进行计算，功能函数的相关性可通过各失效模式的逻辑关系予以考虑。数值算例表明，在适当的学习停止条件下，对于串联、并联和串并混联的结构体系可靠度评估，本文方法均能在计算精度和计算效率之间达到满意平衡。     

基于贝叶斯支持向量回归机的自适应可靠度分析方法

进行复杂结构可靠度分析时,由于涉及隐式功能函数和耗时的数值计算,减少结构模型的调用次数在提高分析效率方面显得尤为重要。为此,本文基于贝叶斯支持向量回归机,提出了一种高效的自适应可靠度分析方法。该方法利用贝叶斯支持向量机提供的概率估计信息(均值和方差)构建学习函数,同时通过引入样本间的距离测度防止选取与现有样本过于临近的冗余点,进而能快速有效地选取极限状态曲面附近具有代表性的样本点,以提高代理模型的构建速度和预测精度。此外,在学习过程中引入了有效抽样域策略,有针对性地选取对失效概率估计误差贡献大的点,从而进一步提升结构可靠度分析的计算效率。最后,通过数值算例验证了本文方法对结构可靠度分析的适用性和有效性。     

基于可靠性映射函数的结构优化Structural optimization based on reliability mapping functions

基于可靠性分析理论,构建可靠性映射函数,将基于可靠性的结构优化由双层优化转化为单层优化,提高优化效率,解决基于可靠性结构优化的计算量大、不利用于工程应用的问题。可靠性映射函数具有明确理论依据,能够确保将其应用到基于可靠性的结构优化是可行的。为提高失效概率求解精度,以设计点为基础,提出一种改进响应面方法,并将其用于可靠性映射函数的求解。算例表明,该方法具有较好计算精度,功能函数评估次数明显少于其他方法,计算效率高,能够获得满意的优化结果。     

基于可靠性映射函数的结构优化

基于可靠性分析理论,构建可靠性映射函数,将基于可靠性的结构优化由双层优化转化为单层优化,提高优化效率,解决基于可靠性结构优化的计算量大、不利用于工程应用的问题。可靠性映射函数具有明确理论依据,能够确保将其应用到基于可靠性的结构优化是可行的。为提高失效概率求解精度,以设计点为基础,提出一种改进响应面方法,并将其用于可靠性映射函数的求解。算例表明,该方法具有较好计算精度,功能函数评估次数明显少于其他方法,计算效率高,能够获得满意的优化结果。     

基于主动学习Kriging模型和子集模拟的可靠度分析

工程结构的功能函数大多数具有隐式非线性程度高的特点,且失效概率较小,需要复杂的有限元分析计算。针对工程实际中大量存在的小失效概率问题,本文提出了基于主动学习Kriging模型和子集模拟方法相结合的可靠度分析方法——AK-SS。AK-SS方法有子集模拟求解小失效概率和主动学习的Kriging模型代替真实功能函数的优势。该方法首先采用Kriging模型代替真实功能函数,通过主动学习方法逐步扩充实验设计点,逐步改善Kriging模型的精度;然后利用子集模拟方法的基本思路,通过引入合理的中间失效事件计算小失效概率。结果表明,AK-SS方法在保证结果精度的同时减少了功能函数的评估次数,对于工程实际中具有隐式功能函数的小失效概率计算问题具有较强的应用前景。     

基于降维积分的结构系统可靠性分析研究

复杂结构系统一般具有多个失效模式. 传统系统可靠性分析模型是在假设各失效模式相互独立的条件下建立的. 而在工程实际问题中,由于结构系统的组成单元之间紧密联系,系统的失效模式大多是相互耦合的. 简单地在失效模式相互独立的假设条件下进行系统可靠性分析与评价常常会导致过大的误差,甚至得出错误的结论. 提出一种相关失效模式结构系统可靠性分析方法. 利用降维法和Gauss-Hermite数值积分技术计算随机参数结构系统极限状态函数的统计矩,采用极限状态函数的前四阶累积量拟合其累积量生成函数,通过鞍点逼近方法拟合结构系统极限状态函数的概率密度函数和累积分布函数,进而获取结构系统的可靠度(或失效概率).数值算例表明该方法具有较高的计算精度和效率,通用性强.     

基于多重子域代理模型的结构可靠性分析

基于合理子域概念,构建多重代理模型。多重代理模型在合理子域内采用经典响应面模型,在合理子域外采用经典Kriging模型,能够充分利用两种经典模型各自的优势。多重代理模型能够合理规避经典响应面模型中响应函数采取事先假定形式带来的可靠度评估风险,同时能够有效避免经典Kriging模型中试验点组合爆炸的问题。相比经典响应面模型,多重代理模型所需试验点数量并未增加,计算效率与经典响应面模型大体相同。算例表明,本文方法的计算结果与MCS的计算结果几乎一致,具有较好的计算精度。     

基于多重子域代理模型的结构可靠性分析

基于合理子域概念，构建多重代理模型。多重代理模型在合理子域内采用经典响应面模型，在合理子域外采用经典Kriging模型，能够充分利用两种经典模型各自的优势。多重代理模型能够合理规避经典响应面模型中响应函数采取事先假定形式带来的可靠度评估风险，同时能够有效避免经典Kriging模型中试验点组合爆炸的问题。相比经典响应面模型，多重代理模型所需试验点数量并未增加，计算效率与经典响应面模型大体相同。算例表明，本文方法的计算结果与MCS的计算结果几乎一致，具有较好的计算精度。     

基于BP神经网络和Laplace渐进积分法的结构可靠性计算

传统基于代理模型的可靠性研究大多将抽样方法与代理模型相结合,并假定随机变量相互独立,且没有考虑到代理模型的不确定性对失效概率的影响。本文将反向传播(BP)神经网络和Laplace渐进积分法相结合,提出一种结合代理模型和高次阶矩的可靠性计算方法,称之为BP-Lap法。采用Latin超立方抽样技术,结合学习函数选取样本点,基于函数逼近原理,利用BP网络代理极限状态方程及其梯度向量和Hessian矩阵。利用训练好的BP网络通过Laplace渐进积分法求解失效概率,基于十折交叉验证思想,得到失效概率取值区间。通过四个算例,分别在随机变量相关和不相关的条件下,验证了BP-Lap法的有效性。研究表明：BP-Lap法可以衡量代理模型的不确定性对失效概率的影响,得到失效概率的上、下界;BP-Lap法同时适用于显示和隐式的极限状态方程,对相关随机变量的可靠性问题具有较高精度。     

基于主动学习神经网络的转向架构架疲劳可靠性分析

为了提高转向架构架疲劳可靠性分析的精度与效率，提出一种主动学习BR-BP神经网络模型与Monte Carlo法相结合的可靠性分析方法。该方法针对BP神经网络的缺陷，使用贝叶斯正则BR(Bayesian regularization)算法作为训练算法，以提高神经网络的拟合精度与收敛速度，并考虑可靠性分析的固有特点，构造了一种适用于BP神经网络的主动学习函数，用于指导最佳样本点的选择。提出的学习函数不仅保证了样本点分布在极限状态函数附近，还考虑了样本点的预测误差以及样本点分布对失效概率计算的影响。转向架构架可靠性分析结果表明，本文方法在提高拟合精度的同时兼顾了计算效率，验证了所提方法的优越性与可行性。     

Efficient Uncertainty Quantification for Unconfined Flow in Heterogeneous Media with the Sparse Polynomial Chaos Expansion

In this study, we explore an efficient stochastic approach for uncertainty quantification of unconfined groundwater flow in heterogeneous media, where a sparse polynomial chaos expansion (PCE) surrogate model is constructed with the aid of the feature selection method. The feature selection method is introduced to construct a sparse PCE surrogate model with a reduced number of basis functions, which is accomplished by the least absolute shrinkage and selection operator-modified least angle regression and cross-validation. The training samples are enriched sequentially with the quasi-optimal samples until the results are satisfactory. In this study, we test the performance of the sparse PCE method for unconfined flow with the presence of random hydraulic conductivity and recharge, as well as pumping well. Numerical experiments reveal that, even with large spatial variability and high random dimensionality, the sparse PCE approach is able to accurately estimate the flow statistics with greatly reduced computational efforts compared to Monte Carlo simulations.

     

基于多线性支持向量机的样本点正确分类与复杂失效方程稳步模拟

为克服一般响应面方法重构复杂隐式失效方程所需样本数量较多、精度较差的不足,提出了一种基于多线性支持向量机的结构失效方程模拟方法。该方法的显著特点是应用了样本点正确分类技术,因而其求解精度随着样本点数量的增多而稳步趋近于真实失效方程。其主要求解过程为,(1)结合均匀设计方法,生成均匀的紧邻极限状态曲面的失效和可靠样本点。(2)依据样本点向量模和样本点向量间夹角余弦值将总体空间划分成多个子空间,确保每个子空间内的样本点能由一个线性支持向量机完全分开。(3)采用一种基于扩充样本点对的迭代算法不断更新样本点集合,从而逐步修正模拟的多个线性失效方程。算例分析表明,无论失效方程为强非线性函数还是多个失效模式组成的分段函数,该方法的计算精度与效率均较为稳定。这为具有复杂失效方程结构的可靠度分析提供了有益参考。     

基于径向基函数的频响函数模型修正

针对使用频响函数进行有限元模型修正存在的时间成本和精度问题,结合模态参与变异系数法和模态动能法分别优化激励点和测点,使获得的模态信息更完整;然后,引入径向基函数(RBF)模型减少原有限元模型计算次数,并根据均方根误差准则对所构建代理模型的参数(spread)进行优选,提高模型预测精度;最后,选用一个36自由度的二维桁架模型进行可行性验证,对比有限元法、Kriging模型及二阶响应面模型的修正精度和迭代时间,结果表明,本文方法具有较好的优势。     

无网格动力分析的循环卷积神经网络代理模型

在无网格动力分析中,除了无网格形函数本身构造复杂引入的计算成本,还需要逐步递推求解每个时间步的动力响应,因而计算效率较为低下.本文通过研究无网格离散数据与机器学习训练样本、无网格动力分析递推计算过程与循环卷积神经网络序列信息传递模式之间的本征联系,构建了与无网格法相匹配的循环卷积神经网络设计方法,进而提出了一种无网格动...     

失效概率矩独立全局灵敏度指标的高效算法

基于失效概率的矩独立全局灵敏度指标能够有效地分析输入变量的不确定性对结构系统失效概率的影响程度. 然而,目前以抽样方式来计算该灵敏度指标的方法都不能最大程度地利用样本. 因此,研究了在准确计算该指标的基础上如何提高样本的利用率. 基于所证明的连续区间上的全方差公式,提出了基于空间分割及重要抽样法来高效计算该指标的方法,其仅需一组样本,且计算量与输入变量的维数无关. 该方法首先通过重要抽样密度抽取一组样本,使得抽取到的样本以较大的概率落入失效域从而加快计算的收敛速度,其次,通过重复利用这一组样本来计算出各个输入变量的基于失效概率的矩独立全局灵敏度指标,大大提高了样本的利用率和计算效率. 验证算例的计算结果,说明了所提方法在计算效率、计算精度、收敛性及稳健性方面都较已有同类方法高,具有更好的工程适用性.