基于主动学习Kriging模型的可靠性分析

本文采用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。本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。     

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。     

基于子集模拟和重要抽样的可靠性灵敏度分析方法

针对工程实际中大量存在的小失效概率问题,提出了基于子集模拟和重要抽样的可靠性灵敏度分析方法. 在子集模拟重要抽样可靠性分析方法中,通过引入合理的中间失效事件,将小的失效概率表达为一系列较大的条件失效概率的乘积,而较大的条件失效概率则可通过构造中间失效事件的重要抽样密度函数来高效求解. 基于子集模拟重要抽样可靠性分析的思想,论文将可靠性灵敏度转化为条件失效概率对基本变量分布参数的偏导数形式,推导了基于子集模拟和重要抽样的可靠性灵敏度估计值及估计值方差的计算公式,并采用算例对所提方法进行了验证. 算例结果表明所提方法具有较高的计算精度和效率,并且适用单个和多个失效模式系统.      

截断正态分布情况下失效概率计算的截断重要抽样法

截断重要抽样法是在传统的重要抽样方法的基础上,引入截断抽样函数来计算结构的失效概率,本文运用此方法来解决工程中普遍存在的截断分布问题。首先将截断分布情况下的可靠性模型转化为非截断分布情况下的多模式并联系统的可靠性模型,然后采用截断重要抽样法求解,推导了截断分布可靠性估计值的方差分析公式。文中给出的算例结果表明:截断重要抽样法适用于截断分布的可靠性分析,且在相同的计算精度下,截断重要抽样法比传统的重要抽样法效率要高。     

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。     

基于Kriging模型的非概率可靠度计算

Kriging模型可以适应各种极限状态函数,HL-RF修正算法可以有效地计算非线性问题。对于难以获得极限状态函数的结构,提出了用Kriging模型进行回归拟合极限状态方程,同时使用HL-RF修正算法计算结构的非概率可靠度指标的计算方法。数值算例以及球形压力容器可靠性分析表明,本文提出的计算方法具有求解精度好、适应能力强的特点。     

基于Kriging模型的汽轮机基础动力优化设计

随着汽轮机容量的增加和核电站的迅速发展,汽轮机基础动力优化设计已经成为世界前沿的研究课题.本文提出一种基于Kriging模型的有效优化方法,用以求解上述动力优化设计问题.该问题的优化模型是在汽轮机基础框架重量约束条件下,优化汽轮机基础中柱的位置和粱、柱的截面面积,使基础振动的最大幅值最小化.Kriging模型用于建立基础振动的最大动位移幅值与设计变量间的近似函数关系,从而避免了优化迭代中灵敏度分析.开发了动力分析程序,作为黑箱用于动力响应分析.算例结果表明,本文方法在效率和稳定性上优于序列线性规划方法.     

融入压力分布信息的气动力建模方法

气动外形优化设计与飞行器性能分析中, 直接运用数值模拟或风洞实验获取气动力的成本高, 构建代理模型是提高外形优化和性能分析效率的重要途径. 然而, 构建模型的过程中, 研究者只关注积分后的气动力和力矩信息. 本文通过充分利用采样过程中所产生的压力分布信息, 来提高建模的精度和泛化性, 进而降低样本获取的成本. 提出了一种小样本框架下融入压力分布信息的气动力建模方法, 首先通过数值模拟或风洞试验获得不同流动参数状态下翼型表面的压力分布信息和气动系数, 其次通过本征正交分解技术对压力分布信息进行特征提取, 获取不同输入参数状态下压力分布信息对应的POD系数, 之后结合输入参数通过Kriging算法对压力分布信息进行建模, 将压力分布信息积分得到低精度气动系数的预测模型, 最后低精度气动系数结合输入参数通过Kriging算法构造高精度的气动系数预测模型. 通过同状态变翼型算例以及CAS350翼型变状态算例进行验证, 该方法相比于传统的克里金模型直接预测气动力, 有效提高了气动力的预测精度和模型的鲁棒性, 同时缩小了学习样本的数据量.      

多模式自适应重要抽样法及其应用

针对多模式的可靠性分析，研究了其失效概率计算的自适应重要抽样法，该方法用模拟退火 算法来自动调整每个失效模式的重要抽样函数，使其逐渐趋近于估计方差最小的重要抽样 函数. 对于多个模式系统失效概率的计算，采用混合加权自适应重要抽样的方法, 反映了每个 失效模式对系统失效概率的贡献；对于系统失效模式所含基本变量不全相同的情况，提出了 扩展自适应重要抽样法, 来统一所有失效模式中的基本变量，从而使得混合自适应 重要抽样, 可以方便地求解变量不全相同时的系统失效概率. 对估计值方差和变异系数的计算公 式进行了推导. 验证算例结果, 充分说明方法的合理性与可行性.     

基于粒子群-AK-MCS法的结构可靠性分析

Kriging代理模型由于其良好的非线性拟合能力，在可靠性分析领域得到了广泛的应用。为提高Kriging模型的建模效率，本文提出一种混合粒子群算法的AK-MCS法，该方法在保证模型精度的前提下减少了构建代理模型时的迭代次数，且提高了模型的全局寻优能力。以一10杆桁架结构为研究对象，通过建立结构控制位移与杆件截面面积和集中荷载之间的代理模型，快速求解桁架结构的失效概率。研究表明，本文方法有效提高了Kriging模型建模效率和建模精度，在计算复杂工程结构时具有一定的可行性。     

基于Kriging代理模型的迭代更新高效反演方法

为提高混凝土坝等大体积结构参数反演效率和精度,减少由于应用有限元进行大量正分析而产生的计算机时,建立了一种结合Kriging代理模型和粒子群优化(PSO)算法的迭代更新反演方法。通过拉丁超立方抽样(LHS)方法确定初始样本点的空间分布,并使用有限元正分析获取对应的响应值,构建粗糙的初始代理模型,结合具有全局寻优能力的PSO算法,反演大体积结构的分区弹性模量,随之再代入有限元模型中,计算获取新的位移响应,并将其作为新样本加入到样本集中,通过迭代更新获得局部更高精度的代理模型。工程实际算例表明,该方法对混凝土坝等大体积结构参数反演精度较高和适用性好,且能大幅减少传统有限元模型反演方法所需消耗的正分析机时,提高反演效率。     

一种结构响应预测策略与新可靠度分析方法

工程结构在服役期不可避免地遭受各种不确定因素的侵害，为客观科学地描述不确定因素的影响，可靠度理论得以产生和发展。但传统的可靠度分析方法囿于精度和效率等原因，难以应用于实际工程结构。近年来基于概率守恒原理，概率密度演化理论提出并得到发展。但对复杂的工程结构，效率低下等问题依然有待解决。鉴于此，本文提出两级剖分概率空间的概念，以粗剖分获得的少量代表样本构成训练集，训练Kriging模型；然后细剖分概率空间，通过训练的Kriging模型预测加密样本响应提高分析效率。基于此，结合以概率密度演化理论为基础的物理综合法，提出了一种新的可靠度分析方法。通过对一解析系统和一幢钢筋混凝土框架结构的响应预测与可靠度分析，证明了新提出方法的精度和效率。     

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Kriging模型的结构可靠性分析

在结构极限状态方程(LSF)未知的情况下,通常采用响应面法(RSM)模拟结构的极限状态方程,逐步修正求解。由于响应面法对于极限状态方程的多项式假定,使其在计算精度上存在一定的缺陷。本文通过随机选取的部分结构响应,采用K rig ing模型模拟未知状态的结构响应,然后附以最优化的方法求解可靠性指标。该方法突破了极限状态方程的形式对于可靠性计算的制约,避免数学表达式的不同对于可靠性计算的影响。通过数值算例,可以看到本文的方法具有较高的精度和稳定性。