基于支持向量机回归的结构系统可靠性及灵敏度分析方法

提出了一种基于支持向量机回归近似极限状态方程的系统可靠性分析方法,所提方法首先由支持向量机拟合系统各失效模式的极限状态方程,将复杂或隐式极限状态方程近似等价为显式极限状态方程,然后根据系统各个失效模式的逻辑结构,由高精度的显式极限状态方程方法计算系统的失效概率和参数灵敏度.与线性展开和响应面法近似极限状态方程相比,文中方法由于采用了基于结构风险最小化原理的支持向量机回归,因而在拟合非线性极限状态方程上表现优越,计算精度高.与直接蒙特卡洛模拟相比,由于该方法采用较少的样本即可近似出概率等价的显式极限状态方程,因而计算效率大幅提高.工程实例表明:所提方法可以处理串联、并联和混合系统的可靠性与可靠性灵敏度分析,具有工程运用价值.     

基于SVM的结构可靠度分析响应面方法

响应面法是解决隐式极限状态方程结构可靠度分析问题比较理想的方法,其关键问题是响应面函数的重构。根据响应面方法经验点集的小样本特点,利用支持向量机(SVM)对小样本数据良好的学习和泛化能力,用SVM重构结构响应面方程,建立了基于SVM的隐式极限状态方程结构可靠度分析的响应面方法。在此基础上,文中提出了改进SVM响应面方法,改进的方法充分利用每次有限元计算成果,大幅减少了有限元计算次数。算例表明本文方法具有很好的计算精度和计算效率。     

平稳随机激励下耦合Newmark滑移系统的可靠性分析

基于随机激励的离散形式,对耦合Newmark系统的动力可靠度问题进行解析分析。平稳随机激励下,耦合Newmark系统初始滑移极限状态方程可以写成n个标准正态随机变量的显式线性函数,并能给出可靠度指标的理论解。对于以相对滑移量为临界状态的情况,极限状态方程是n个标准正态随机变量的隐式函数,可借助静力可靠度方法进行求解。算例表明,系统初始滑移的设计点激励是以潜在滑动体自振频率为主频,振幅渐增的谐振时程;后者的失效概率与摩擦系数成非线性关系,存在合适的摩擦系数使失效概率最小。     

结构可靠度分析的改进BP神经网络响应面法

对功能函数不能明确表达即具有隐式功能函数的问题进行可靠度分析,常采用响应面法。其中二次多项式响应面法应用较为广泛,采用与此方法相同的思路,人们提出了BP神经网络响应面法。在此基础之上,笔者提出了改进的BP神经网络响应面法。对以上方法计算效果,通过算例进行了对比分析,其中改进BP神经网络响应面法计算精度较好,进行有限元分析次数较少。该方法用于大型复杂结构的可靠度分析,可相应提高工作效率和解题质量,具有一定实际应用价值。     

基于单纯形寻优的响应面可靠性分析方法

结构可靠度计算常采用经典的响应面法拟合隐式功能函数或高维功能函数，而对于强非线性功能函数的实际工程问题，尽管其能够计算出结构可靠度的结果，但此时多项式响应面的拟合精度不够，很容易造成不收敛的现象。为了解决上述问题，将响应面法与单纯形寻优的思路进行结合来探求一种有效的计算方法。本文利用单纯形算法对每次迭代的验算点进行优化；再以优化后的设计验算点为中心进行取样，利用响应面法循环迭代计算；最后，沿着真实响应面逐渐逼近最终的验算点。该方法能够解决高维非线性的隐式极限状态方程可靠度计算收敛性的问题，可以提高计算精度和计算效率，具有一定的工程适用性。     

基于单纯形寻优的响应面可靠性分析方法

结构可靠度计算常采用经典的响应面法拟合隐式功能函数或高维功能函数,而对于强非线性功能函数的实际工程问题,尽管其能够计算出结构可靠度的结果,但此时多项式响应面的拟合精度不够,很容易造成不收敛的现象。为了解决上述问题,将响应面法与单纯形寻优的思路进行结合来探求一种有效的计算方法。本文利用单纯形算法对每次迭代的验算点进行优化;再以优化后的设计验算点为中心进行取样,利用响应面法循环迭代计算;最后,沿着真实响应面逐渐逼近最终的验算点。该方法能够解决高维非线性的隐式极限状态方程可靠度计算收敛性的问题,可以提高计算精度和计算效率,具有一定的工程适用性。     

基于代理模型的边坡稳定可靠度算法

针对基于极限平衡模式而建立的边坡稳定可靠度功能函数的隐式特征及其导致的可靠度求解等问题,首先利用Kriging插值预测方法,以极限平衡理论的Janbu算法为例,建立了边坡稳定可靠度功能函数的新型显式代理模型;然后将拉丁超立方试验抽样设计方法、Janbu算法、几何可靠度指标计算三者结合起来,研制了该代理模型的求解程序;构建了基于Kriging插值预测的边坡稳定可靠度近似分析新方法。选用某著名边坡算例,将本文方法分析结果与基于蒙特卡洛法的精确解进行了对比,两者的相对误差为5.21%,但前者计算工作量不到后者的万分之一,表明了代理模型方法的实用性和有效性。最后用代理模型方法分析了衡桂高速某段路堑边坡的稳定可靠性,表明本文方法计算结果能够满足工程精度要求,具有一定的应用价值。     

有理多项式技术有工程结构可靠度分析中的应用

给出了在相关空间中改进JC方法计算结构可靠指标的迭代格式,并采用有理多项式技术计算功能函数的偏导数,以模拟实际工程中常见的功能函数不能明确的可靠度计算问题。因此,功能函数无论是线性或非线性,显式或隐式,该方法都简单且适用。数值结果表明本文方法具有较好的效率和精度。     

非平稳随机激励下结构体系动力可靠度时域解法

将结构动力方程写成状态方程形式,采用精细积分法对其进行数值求解,导出了非平稳激励下结构随机响应的时域显式表达式,该过程的计算量仅相当于两次确定性时程分析的计算量.基于该显式表达式,结合首次超越失效准则,提出了非平稳随机激励下结构体系动力可靠度的数值模拟算法.与功率谱方法相比,该方法无需同时在时频域内进行大量数值积分,也无需引入关于响应过程跨越界限次数概率分布,以及各失效模式相关性等方面的假定.通过数值算例,对比了该方法与泊松过程法、马尔可夫过程法、传统蒙特卡罗法的计算精度和计算效率,结果显示该方法具有理想的精度和相当高的效率.     

随机响应面法最优概率配点数目分析

系统地研究随机响应面法采用线性无关原则选取概率配点的优越性,给出了基于线性无关原则选取概率配点的流程图,比较了基于回归方法和基于线性无关原则选取概率配点的优缺点。算例结果表明,基于回归方法选取概率配点时,配点数目应保证Hermite系数矩阵达到满秩,此时随机响应面法的计算精度才能得到保证,计算效率也远远高于传统的蒙特卡洛模拟方法。基于线性无关原则选取概率配点的随机响应面法在保证计算精度的同时,其计算效率远远高于基于回归方法选取概率配点的随机响应面法,它是结构可靠度分析一种有效的方法,尤其适用于极限状态方程不能用显式函数表达的复杂结构可靠度问题。研究成果为随机响应面法最优概率配点数目的确定奠定了一定的基础。     

Structural reliability analysis for implicit performance function using radial basis function network

This is the second paper of our work on structural reliability analysis for implicit performance function. The first paper proposed structural reliability analysis methods using multilayer perceptron artificial neural network [Deng, J., Gu, D.S., Li, X.B., Yue, Z.Q., 2005. Structural reliability analysis for implicit performance function using artificial neural network. Structural Safety 25 (1), 25–48]. This paper presents three radial basis function network (RBF) based reliability analysis methods, i.e. RBF based MCS, RBF based FORM, and RBF based SORM. In these methods, radial basis function network technique is adopted to model and approximate the implicit performance functions or partial derivatives. The RBF technique uses a small set of the actual data of the implicit performance functions, which are obtained via physical experiments or normal numerical analysis such as finite element methods for the complicated structural system, and are used to develop a trained RBF generalization algorithm. Then a large number of the function values and partial derivatives of implicit performance functions can be readily obtained by simply extracting information from the established and successfully trained RBF network. These function values and derivatives are used in conventional MCS, FORM or SORM to constitute RBF based reliability analysis algorithms. Examples are presented in the paper to illustrate how the proposed RBF based methods are used in structural reliability analysis. The results are well compared with those obtained by the conventional reliability methods such as the Monte-Carlo simulation, multilayer perceptrons networks, the response surface method, the FORM method 2, and so on. The examples showed the proposed approach is applicable to structural reliability analysis involving implicit performance functions.     

SUPPORT VECTOR MACHINE FOR STRUCTURAL RELIABILITY ANALYSIS

Support vector machine (SVM) was introduced to analyze the reliability of the implicit performance function, which is difficult to implement by the classical methods such as the first order reliability method (FORM) and the Monte Carlo simulation (MCS). As a classification method where the underlying structural risk minimization inference rule is employed, SVM possesses excellent learning capacity with a small amount of information and good capability of generalization over the complete data. Hence, two approaches, i.e., SVM-based FORM and SVM-based MCS, were presented for the structural reliability analysis of the implicit limit state function. Compared to the conventional response surface method (RSM) and the artificial neural network (ANN), which are widely used to replace the implicit state function for alleviating the computation cost, the more important advantages of SVM are that it can approximate the implicit function with higher precision and better generalization under the small amount of information and avoid the "curse of dimensionality". The SVM-based reliability approaches can approximate the actual performance function over the complete sampling data with the decreased number of the implicit performance function analysis (usually finite element analysis), and the computational precision can satisfy the engineering requirement, which are demonstrated by illustrations.     

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。     

基于随机响应面法的可靠性灵敏度分析及可靠性优化设计

基于随机响应面法建立了可靠性灵敏度分析方法,并将其用于结构可靠性优化设计。建立的方法利用随机响应面法将隐式的结构响应函数转换成显式函数,在显式的响应函数基础之上求解失效概率和进行可靠性灵敏度分析,得到的可靠性灵敏度能为基于函数梯度的优化算法提供梯度信息。算例表明,本文提出的可靠性灵敏度分析方法具有较高的效率和精度,提高了结构可靠性优化设计的效率。     

求解一类可分离凸规划的对偶显式模型DP-EM方法

推导对偶目标函数的精确显式表达式,可选用更多成熟高效的求解方法,从而进一步提高了非线性规划对偶理论求解结构拓扑优化问题的效率.研究工作来源于非线性凸规划同其对偶规划的间隙为零,可以等价转化为对偶问题求解,通常可以大大地缩小问题的规模,可是二者不具有显式关系却影响了对偶解法的应用.所幸的是,结构优化当中一大类问题包括连续体结构拓扑优化问题,不仅具有凸性,而且具有变量可分离性,于是原变量和对偶变量之间有了显式关系,因此,对偶解法成了38年来被应用的有效方法之一.然而长期以来,对偶问题的目标函数并不是显式,这缘于含参数的极小化问题导致目标函数为隐式表达,常见的显式化方法是进行二阶近似.本文突破了对偶问题难以显式化只能采用近似显式的定势,将我们提出的"对偶规划-显式模型"(DP-EM)方法应用于连续体结构拓扑优化,并与对偶序列二次规划(DSQP)算法及移动渐近线(MMA)算法为求解器的方法进行计算效率对比,结果显示:(1)MMA算法比DP-EM算法和DSQP算法的外部迭代次数均多;(2)DP-EM算法与DSQP算法外循环次数相同,而内循环数显著减少.说明了DP-EM算法具有显式对偶函数的优势.     

基于主动学习Kriging模型的可靠性分析

论文采用Kriging模型代替结构真实功能函数,引入主动学习函数,序列选择最佳样本点,在每次迭代中加入最佳样本点更新Kriging模型.与直接的蒙特卡洛方法相比,主动学习Kriging模型仅需要少量的结构分析就能够得到精度较高的可靠度结果,适用于实际工程具有隐式功能函数的结构可靠性分析.论文通过三个数学算例,从最佳样本点的分布情况、功能函数的拟合程度及可靠度计算结果出发对四种学习函数进行对比研究,最后对具有隐式功能函数的悬臂板进行可靠度分析.结果表明,主动学习函数的引入,合理选择了Kriging模型所需的样本,提高了计算效率,同时,学习函数的选择对结构可靠性分析结果也存在影响.     

Application of a line implicit method to fully coupled system of equations for turbulent flow problems

For unstructured finite volume methods, we present a line implicit Runge–Kutta method applied as smoother in an agglomerated multigrid algorithm to significantly improve the reliability and convergence rate to approximate steady-state solutions of the Reynolds-averaged Navier–Stokes equations. To describe turbulence, we consider a one-equation Spalart–Allmaras turbulence model. The line implicit Runge–Kutta method extends a basic explicit Runge–Kutta method by a preconditioner given by an approximate derivative of the residual function. The approximate derivative is only constructed along predetermined lines which resolve anisotropies in the given grid. Therefore, the method is a canonical generalisation of point implicit methods. Numerical examples demonstrate the improvements of the line implicit Runge–Kutta when compared with explicit Runge–Kutta methods accelerated with local time stepping.     

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。