基于主动学习Kriging模型与序列重要抽样的随机-区间混合可靠性分析

针对随机-区间混合可靠性分析中复杂功能函数的高非线性和多设计点问题,本文提出了一种结合主动学习Kriging模型与序列重要抽样方法的混合可靠性分析方法.在序列重要采样方法中采用高斯混合分布作为提议分布进行逐级采样,逐步逼近最优重要抽样函数的采样样本;结合序列重要抽样方法的特点,提出了主动学习Kriging模型的两步学习...     

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。     

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.     

基于Kriging模型的频响函数有限元模型修正方法

针对使用频响函数进行有限元模型修正的问题,提出了一种基于Kriging模型的修正方法,用于检测结构由损伤引起的在单元刚度特性上的衰减。本文方法可以在不需要推导修正参数与频响函数残差代数关系的前提下,通过少量测点提供的有效数据快速求解;还可以通过控制算法的终止准则来提高对未知区域的探索程度,降低结果收敛到局部解上的可能。使用Kriging模型可以有效地减少原有限元模型的计算次数,保证计算效率的同时,为对结构进行更准确精密的有限元建模提供了便利。     

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。     

随机不确定性下Kriging辅助的谐波减速器柔轮疲劳寿命预测

柔轮作为谐波减速器核心传动件,在循环交变载荷作用下容易发生疲劳失效,其疲劳寿命直接影响谐波减速器的工作寿命。为揭示随机不确定性因素对谐波减速器柔轮疲劳寿命的影响规律,本文考虑材料属性和载荷等不确定因素对谐波减速器柔轮开展疲劳寿命预测研究,以期实现更客观地评估柔轮疲劳寿命。首先,建立柔轮的三维模型和有限元模型,通过有限元分析及寿命计算获得确定性条件下的柔轮寿命。然后,将材料属性及载荷考虑为随机变量,采用拉丁超立方抽样方法对柔轮进行试验设计。最后,基于主动学习Kriging模型和柔轮材料P-S-N曲线,通过逐一加点的方式对柔轮进行疲劳寿命分析,获得疲劳寿命统计结果,并与确定性条件下的柔轮疲劳寿命结果进行对比。结果表明,随机不确定因素影响下柔轮疲劳寿命预测结果与确定性条件下相比有所降低,对柔轮抗疲劳设计具有一定指导意义。     

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Kriging模型和改进MCMC算法的随机有限元模型修正

针对待修正参数维数较高时,标准马尔可夫链蒙特卡罗MCMC (Markov Chain Monte Carlo)算法不易收敛、拒绝率高的问题,提出了基于Kriging模型和在MCMC中融合花朵授粉算法的修正方法.首先,以待修正参数作为输入,以应变模态作为输出,建立Kriging模型,通过蝙蝠算法确定Kriging模型的相关系数;然后,采用最大熵的贝叶斯方法估计参数的后验概率密度函数,将花朵授粉算法融入MH (M etropolis-Hasting)抽样算法,提高局部寻优和全局寻优能力;最后,通过三自由度弹簧-质量系统和三维桁架结构的数值算例验证所提模型修正方法,修正后参数相对误差均低于0.86％.结果 表明,所提方法修正后较高维参数的马尔可夫链能够快速收敛且样本接受率也有所提高,该方法也对随机噪声具有一定的鲁棒性.     

利用Kriging方法进行结构模型修改

结构模型修改已经演化为一个多学科的研究课题，本文将该问题处理为确定从模态参数到模型参数之间的映射问题，并利用起源于地质统计学的Kriging技术实现该映射。对于一实际钢结构，通过实验测量得到了全部摸态数据，利用部分测量得到的模态数据进行了模型修改的实验研究，实验结果表明，利用修改后模型计算得到的全部摸态数据与测量结果吻合良好，表明该模型修改方法是可行的；同时该方法表现出了与基于神经网络的修改方法的互补特性。     

COMMENTS ON AMSAA-BISE RELIABILITY GROWTH MODEL (Ⅱ)

The AMSAA-BISE reliability growth model for multiple systems development derived by the second approach is incorrect as well. The practical failure data, it included 35 systems’ reliability growth test data and 80 systems’ field data, cannot show its correctness of AMSAA-BISE model, it shows that there is something wrong with AMSAA-BISE model.     

基于概率密度演化方法的地下结构可靠度分析

本文提出基于概率密度演化方法的地下结构可靠度分析,通过求解极限状态函数的概率密度演化方程,可以得到响应量的概率密度函数曲线.相比于传统的随机模拟方法,概率密度演化方法考虑了样本点之间的概率联系,因此在求解效率以及精度上都得到大大提高.文中结合上海市轨道交通M6线地铁下程进行了基于概率密度演化方法的可靠度分析,与随机模拟的结果相比表明,基于概率密度演化方法的地下结构可靠度分析方法具有更好的效果.文中还介绍了基于等价极值事件的结构体系可靠度分析方法,并将等价极值事件的基本思想推广到复杂失效准则下地下结构的可靠性分析之中.结果表明此方法可以对地下结构可靠度给出较为准确的评价.     

基于Kriging代理模型的结构形状优化方法研究

建立了一种进行结构形状优化的工程方法。该方法利用试验设计法选取位置变量样本点,并对各个样本点对应的结构进行尺寸优化,然后根据样本点和尺寸优化结果建立Kriging代理模型,再利用遗传算法求出位置变量最优解,进而得到结构最优解。最后进行了15杆平面拱式桁架、悬臂梁和25杆空间桁架三个形状优化算例,算例分析结果表明:该方法思路清晰、适应性强、优化效果明显,具有较大的工程应用价值。     

COMMENTS ON AMSAA-BISE RELIABILITY GROWTH MODEL (Ⅰ)

From 1986 to 1991, based on AMSAA model, Zhou Yuan-quan and Weng Zhao-xi presented AMSAA-BISE model to estimate reliability growth for multiple systems development, for the case that more than one system of the same type is put into reliability growth test, once a Type B failure mode is seen during test, corrective action will be taken to all systems. It is shown that there is something wrong with AMSAA-BISE model. According to AMSAA-BISE model, the maximum likelihood estimation of MTBF for multiple systems reliability growth test is much larger than that according to AMSAA model for a single system; The more systems is put into test, the larger the estimation of MTBF. An example is given, and an approximate method is presented. Biography: Mei Wen-hua (1965-), Senior Engineer, Doctor