CN115146366A - 基于Direct算法和少量样本更新的结构混合可靠性分析方法 - Google Patents
基于Direct算法和少量样本更新的结构混合可靠性分析方法 Download PDFInfo
- Publication number
- CN115146366A CN115146366A CN202210915687.6A CN202210915687A CN115146366A CN 115146366 A CN115146366 A CN 115146366A CN 202210915687 A CN202210915687 A CN 202210915687A CN 115146366 A CN115146366 A CN 115146366A
- Authority
- CN
- China
- Prior art keywords
- sample
- variable
- failure probability
- function
- regression model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 44
- 238000004458 analytical method Methods 0.000 title claims abstract description 33
- 230000004044 response Effects 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 238000012706 support-vector machine Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 11
- 102000005717 Myeloma Proteins Human genes 0.000 claims description 8
- 108010045503 Myeloma Proteins Proteins 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 8
- 238000005315 distribution function Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 32
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000005070 sampling Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Architecture (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于Direct算法和少量样本更新的结构混合可靠性分析方法。首先,基于Direct优化算法,设置优化目标,对样本进行粗抽样,然后分别在安全域和不安全域,基于欧几里得距离的自适应选点规则和优化算法,不断采用自适应策略选取少量样本点更新样本集,并使用支持向量回归拟合近似功能函数,以内积核函数代替向高维空间的非线性映射,增强响应面方法的非线性适应性,在此基础上进行蒙特卡罗模拟,作结构可靠性分析。本发明在结构可靠性分析中有很好的通用性,能适应各类非线性问题,扩展了Direct优化算法、支持向量机机器学习方法在结构可靠性分析领域的适用范围,有重要的理论和工程意义。
Description
技术领域
本发明涉及结构可靠性分析技术领域,尤其是涉及采用响应面方法结合蒙特卡罗仿真进行结构可靠性分析方面,具体涉及一种基于Direct算法和少量样本更新的结构混合可靠性分析方法。
背景技术
土木工程、机械工程和航空航天等领域结构或产品可靠性分析合理考虑了工程中存在的不确定性参数,为广大工程技术人员广泛接受,是工程结构或产品设计理论发展的一个重要手段。随机结构或产品可靠性主要分析源于荷载、材料性质以及结构或产品制造过程的客观因素的影响,对工程实践的安全评定,结构或产品的安全运营以及改进其中重要的影响因素提高安全储备具有重要意义。
对实际工程领域中的结构进行可靠性分析时,往往存在多种不确定性变量。传统的结构可靠性理论是以概率论为基础,用随机变量描述参数的不确定性,而构造参数的精确概率分布需要获得大量的不确定信息。但在实际工程应用中,由于测量技术或者实际条件所限,往往难以获取足够数据来精确定义结构的分布参数,而且较小的参数误差可能会使计算结果出现较大波动有一些不确定性变量,存在亦此亦彼的现象,宜采用区间变量来描述。因此,研究随机-区间混合可靠性分析方法具有非常重要的现实意义。
发明内容
本发明的目的是为了解决现有技术中的缺陷,提供一种基于Direct算法和少量样本更新的结构混合可靠性分析方法,将Direct优化算法和支持向量机回归结合,应用到结构随机区间混合可靠性分析中。首先,基于Direct优化算法,设置优化目标,对样本进行粗抽样,然后分别在安全域和不安全域,基于欧几里得距离的自适应选点规则和优化算法,不断采用自适应策略选取少量样本点更新样本集,并使用支持向量回归拟合近似功能函数并使用支持向量回归拟合近似功能函数,以内积核函数代替向高维空间的非线性映射,增强响应面方法的非线性适应性,在此基础上进行蒙特卡罗模拟,作结构可靠性分析,改善支持向量机回归的响应面法计算随机-区间混合可靠指标的精度,是现有结构可靠性方法的扩展。
本发明的目的可以通过采取如下技术方案达到:
一种基于Direct算法和少量样本更新的结构混合可靠性分析方法,所述可靠性分析方法包括以下步骤:
S1、指定待分析领域的产品结构、待分析领域中反映结构或产品正常工作能力或安全工作临界状态的功能函数g(x,y)、区间变量y=(y1,y2,…,ym),随机变量x=(x1,x2,…,xn)及其特征参数,其中,n为随机变量x中元素的个数,m为区间变量y中元素的个数,x1,x2,…,xn是随机变量x向量的各分量,y1,y2,…,ym是区间变量y向量的各分量,所述待分析领域包括土木工程、机械电子和航空航天;
S2、将随机变量x=(x1,x2,…,xn)通过Rosenblatt变换转化为标准正态变量z=(z1,z2,…,zn),其中,z1,z2,…,zn是标准正态变量z的各分量;
S3、设置循环变量iter=1;
S4、通过Direct优化算法产生2n+1个随机变量的样本点Z1,将区间变量y各分量均粗略划分为t等分,若m=1,t取10,m=2或3,t取5,m≥4,t取3;
S5、在区间变量等分点基础上进行中心复合设计,得到tm个区间变量的样本点Z2,依次对Z1中的每一个随机变量样本zi,i=1,2,...,2n+1,分别代入Z2中所有的区间变量样本点,计算真实功能函数对应的结构响应,若计算最大失效概率取最小值作为样本点Z1中zi的结构响应,若计算最小失效概率取最大值作为样本点Z1中zi的结构响应,建立样本集训练得到功能函数g(x,y)在标准正态空间下的支持向量机回归模型
S6、以f(z)为优化目标函数,通过Direct优化算法再次迭代,产生新的候选样本点,选择f(z)值较小的k个样本追加到先前样本Z1中,计算样本对应的真实结构响应,建立新的包含2n+1+k个样本的训练集,其中若k<10,k=n+m,否则k=10,更新支持向量机回归模型
S7、令iter=iter+1,按伪随机方法产生N组随机变量候选样本点,经过自适应选点策略分别从安全域与不安全域筛选出回归模型最小的两个点(z1,y1)和(z2,y2),其中z1=(z11,…,z1n),z11,…,z1n为z1的n个分量,y1=(y11,…,y1m),y11,…,y1m为y1的m个分量,z2=(z21,),z2n),z21,…,z2n为z2的n个分量,y2=(y21,…,y2m),y21,…,y2m为y2的m个分量,(z1,y1)=(z11,…,z1n,y11,…,y1m),(z2,y2)=(z21,…,z2n,y21,…,y2m);
S8、分别将以y1和y2为中心的相邻两个区间划分成t1个等分点,t1>t,若计算最大失效概率通过离散型优化算法得到更精确的z1和z2对应的回归模型最小值点和若计算最小失效概率通过离散型优化算法得到更精确的z1和z2对应的回归模型最大值点和计算这两点对应的真实结构响应添加到样本集中,再次更新支持向量机回归模型
S9、对标准正态变量z=(z1,z2,…,zn)进行蒙特卡洛仿真,和分别代入回归模型若计算最大失效概率取回归模型值和较小的作为结构响应,若计算最小失效概率取回归模型值和较大的作为结构响应,计算结构失效概率Pf,或
S10、检验结构失效概率是否收敛,若收敛,得到结构失效概率和可靠性指标β=Φ-1(Pf),其中Φ-1(·)为标准正态分布函数反函数,否则令iter=iter+1,返回步骤S7继续执行。
进一步地,所述步骤S2中,假定向量x的联合累积分布函数为Fx(x),Rosenblatt变换按下面表达式计算
其中,Φ(·)及Φ-1(·)分别为标准正态概率分布函数及其反函数;Rosenblat变换可参考“张明.结构可靠度分析:方法与程序.科学出版社,2009.”专著。
l为样本支持向量个数,j为下标或上标变量,(z,y)(j)表示自样本产生的第j个随机变量z和区间变量y的组合(z,y)对应的支持向量,当选择高斯核函数,K((z,y),(z,y)(j))=exp(-γ||(z,y)-(z,y)(j)||)2,γ为支持向量机回归模型的核参数,αj、分别为支持向量机回归模型的第一、第二拉格朗日乘子,b为支持向量机回归模型的超平面参数。这些参数通过支持向量机机器学习方法中的最优化算法求解得到。
进一步地,所述步骤S6中,优化目标函数f(z)定义为:
进一步地,所述步骤S7中自适应选点策略过程如下:
S71、随机产生标准正态变量z=(z1,z2,…,zn)的N个随机变量样本点Z4,对于Z4中的每一个样本点zs,s=1,2,...,2n+1,代入样本点Z2中的所有点,计算回归模型值,若计算最大失效概率取最小值作为样本点Z4中zs的结构响应计算最小失效概率取最大值作为样本Z4中zs的结构响应根据的值,当时,将Z4划分为安全域的N1个样本点,当时,将Z4划分为不安全域的N2个样本点;
S72、假设N3为N1和N2较小的数,且定义的绝对值作为选取样本点的条件,令N3=min(N1,N2),且N3>0,从Z4的安全域和不安全域分别取N3/2个绝对值较小的候选样本点,构成候选样本集和若N3=0,令N3=n+m,取N3个绝对值较小的候选样本点,构成候选样本集
若选择高斯核函数,则K(z,ynew)=exp(-γ2||(z,ynew)-(z,ynew)(p)||)2,(z,ynew)(p)表示自样本产生的第p个随机变量z和区间变量ynew的组合(z,ynew)对应的支持向量,p为下标或上标变量,γ2为核参数,αp、分别为支持向量机模型的第一、第二拉格朗日乘子,a为支持向量机模型的超平面参数。这些参数通过支持向量机机器学习方法中的最优化算法求解得到。
本发明相对于现有技术具有如下的优点及效果:
(1)为了利用失效边界附近对失效概率贡献更大的样本,用拟合响应面的结构响应接近于零的样本丰富初始样本集,且避免新增样本与训练样本集中已有样本过于靠近成为低效样本,引入基于欧几里得距离的自适应选点规则和优化算法,在安全域和不安全域不断采用自适应策略选取少量样本点,找到更为适合训练样本点,提高结构随机-区间混合结构可靠度分析计算的精度。
(2)采用离散型优化算法如离散型GA算法再次更新区间变量的极大值点和极小值点,使其保持不变,并与最终得到的随机变量的样本点组合追加到初始样本中,减少了构造响应面的样本点,提高了计算效率以及计算精度。
(3)采用Direct算法设置优化目标函数,对样本进行粗抽样,然后分别在安全域和不安全域选取少量样本,更新样本训练集后,再采用支持向量回归拟合近似功能函数,以内积核函数代替向高维空间的非线性映射,增强响应面方法的非线性适应性,在此基础上进行蒙特卡罗模拟,作结构随机-区间混合结构可靠度分析,扩展了支持向量机方法在结构混合结构可靠性分析问题中的有效性和通用性,对可靠性分析领域有重要的意义。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明公开的一种基于Direct算法和少量样本更新的结构混合可靠性分析方法的流程图;
图2是本发明实施例2中公开的一种屋面桁架结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
图1是本实施例公开的一种基于Direct算法和少量样本更新的结构混合可靠性分析方法流程图,如图1所示,该可靠性分析方法包括以下步骤:
本实施例1以一个包含2个随机变量和1个区间变量混合的应用实例对本发明进行进一步阐述。一种基于Direct算法和少量样本更新的结构混合可靠性分析方法包括以下步骤:
S1、指定待分析结构,假设功能函数为g(x,y)=sin(5x1/2)-(x1 2+4)(x2-1)/20+y1,其中x1、x2为随机变量且相互独立,都服从均值为0,标准差为1的正态分布,即x1~N(0,1),x2~N(0,1),y1为区间变量,y1∈[2.1,2.8]。
S2、将随机变量变换通过Rosenblatt等变换转化为标准正态变量;
S3、设置循环变量iter=1;
S4、通过Direct优化算法产生2n+1个随机变量的样本点Z1,将区间变量y各分量均粗略划分为t等分,若m=1,t取10,m=2或3,t取5,m≥4,t取3;
S5、在区间变量等分点基础上进行中心复合设计,得到tm个区间变量的样本点Z2,依次对Z1中的每一个随机变量样本zi,i=1,2,...,2n+1,分别代入Z2中所有的区间变量样本点,计算真实功能函数对应的结构响应,若计算最大失效概率取最小值作为样本点Z1中zi的结构响应,若计算最小失效概率取最大值作为样本点Z1中zi的结构响应,建立样本集训练得到功能函数g(x,y)在标准正态空间下的支持向量机回归模型
S6、以f(z)为优化目标函数,通过Direct优化算法再次迭代,产生新的候选样本点,选择f(z)值较小的k个样本追加到先前样本Z1中,计算样本对应的真实结构响应,建立新的包含2n+1+k个样本的训练集,其中若k<10,k=n+m,否则k=10,更新支持向量机回归模型
S7、令iter=iter+1,按伪随机方法产生N组随机变量候选样本点,经过自适应选点策略分别从安全域与不安全域筛选出回归模型最小的两个点(z1,y1)和(z2,y2),其中z1=(z11,…,z1n),z11,…,z1n为z1的n个分量,y1=(y11,…,y1m),y11,…,y1m为y1的m个分量,z2=(z21,…,z2n),z21,…,z2n为z2的n个分量,y2=(y21,…,y2m),y21,…,y2m为y2的m个分量,(z1,y1)=(z11,…,z1n,y11,…,y1m),(z2,y2)=(z21,…,z2n,y21,…,y2m);
S8、分别将以y1和y2为中心的相邻两个区间划分成t1个等分点,t1>t,若计算最大失效概率通过离散型优化算法得到更精确的z1和z2对应的回归模型最小值点和若计算最小失效概率通过离散型优化算法得到更精确的z1和z2对应的回归模型最大值点和计算这两点对应的真实结构响应添加到样本集中,再次更新支持向量机回归模型
S9、对标准正态变量z=(z1,z2,…,zn)进行蒙特卡洛仿真,和分别代入回归模型若计算最大失效概率取回归模型值和较小的作为结构响应,若计算最小失效概率取回归模型值和较大的作为结构响应,计算结构失效概率Pf,或
S10、检验结构失效概率是否收敛,若收敛,得到结构失效概率和可靠性指标β=Φ-1(Pf),其中Φ-1(·)为标准正态分布函数反函数,否则令iter=iter+1,返回步骤S7继续执行。
实施例1中公开的可靠性分析方法与其它各方法计算的失效概率及其相对误差对比见表1、表2,从表1和表2可以看出,MCS的结果作为参照精确失效概率,采用本发明的一种基于Direct算法和少量样本更新的结构混合可靠性分析方法计算得到的最大和最小失效概率相对误差小,有效增强结构的最小和最大可靠指标的计算精度,降低计算成本,满足工程实际需求。
方法 | 失效概率 | 失效概率相对误差 | 样本点数 | 迭代次数 | 可靠指标 |
MCS | 2.1500×10<sup>-2</sup> | - | 10<sup>6</sup> | - | 2.0237 |
均匀设计 | 4.9943×10<sup>-3</sup> | 76.7711 | 50 | 10 | 2.5762 |
Direct | 7.0322×10<sup>-2</sup> | 227.0773 | 8 | 1 | 1.4734 |
Direct | 9.4525×10<sup>-4</sup> | 95.6035 | 10 | 2 | 3.1069 |
Direct | 5.5727×10<sup>-2</sup> | 159.1959 | 12 | 3 | 1.5917 |
Direct | 2.4856×10<sup>-2</sup> | 15.6099 | 14 | 4 | 1.9624 |
Direct | 1.8684×10<sup>-2</sup> | 13.0981 | 16 | 5 | 2.0817 |
Direct | 1.6097×10<sup>-2</sup> | 25.1301 | 18 | 6 | 2.1420 |
Direct | 1.2114×10<sup>-2</sup> | 43.6581 | 20 | 7 | 2.2535 |
Direct | 2.1693×10<sup>-2</sup> | 0.8987 | 22 | 8 | 2.0200 |
Direct | 2.1017×10<sup>-2</sup> | 2.2480 | 24 | 9 | 2.0332 |
Direct | 2.1036×10<sup>-2</sup> | 2.1563 | 26 | 10 | 2.0328 |
方法 | 失效概率 | 失效概率相对误差 | 样本点数 | 迭代次数 | 可靠指标 |
MCS | 3.3936×10<sup>-3</sup> | - | 10<sup>6</sup> | - | 2.7071 |
均匀设计 | 2.3953×10<sup>-3</sup> | 30.5746 | 48 | 10 | 2.8208 |
Direct | 1.0160×10<sup>-2</sup> | 199.3887 | 8 | 1 | 2.3204 |
Direct | 3.3627×10<sup>-3</sup> | 0.9105 | 10 | 2 | 2.7101 |
Direct | 2.5099×10<sup>-3</sup> | 26.0398 | 12 | 3 | 2.8058 |
Direct | 9.8145×10<sup>-3</sup> | 189.2084 | 14 | 4 | 2.3334 |
Direct | 3.7850×10<sup>-3</sup> | 11.5325 | 16 | 5 | 2.6707 |
Direct | 3.4769×10<sup>-3</sup> | 2.4541 | 18 | 6 | 2.6991 |
Direct | 3.4041×10<sup>-3</sup> | 0.3088 | 20 | 7 | 2.7061 |
Direct | 3.2993×10<sup>-3</sup> | 2.7776 | 22 | 8 | 2.7164 |
Direct | 3.4289×10<sup>-3</sup> | 1.0397 | 24 | 9 | 2.7037 |
Direct | 3.2331×10<sup>-3</sup> | 4.7279 | 26 | 10 | 2.7231 |
实施例2
本实施例2以一个包含4个随机变量和2个区间变量混合的应用实例对本发明进行进一步阐述。一种基于Direct算法和少量样本更新的结构混合可靠性分析方法包括以下步骤:
S1、指定待分析结构,某屋面桁架结构如图2所示,混凝土加固顶部的受压处,下部受拉处为钢制,为了简化计算,顶部桁架受到均匀分布荷载q转化为节点荷载P=ql/4,考虑桁架结构的安全性和耐久性,将其约束条件定义为屋面顶部位移峰值不大于0.032m。则结构功能函数可以表示为g(x,y)=0.032-ΔF,ΔF由力学分析给出的功能函数为:
混凝土加固区截面积和弹性模量分别为AC和EC,钢制区的截面积和弹性模量分别为AS和ES,跨度为l,其中,EC、ES、q和l为随机变量且相互独立,其统计参数列于表3,AC和AS为区间变量,单位都为m2,AC∈[10-4m2,11-4m2],AS∈[0.04m2,0.045m2]。
表3.实施例2的随机变量的分布情况表
变量 | 分布形式 | 均值 | 标准差 | 单位 |
q | 正态 | 2000 | 140 | N/m |
l | 正态 | 12 | 0.012 | m |
E<sub>C</sub> | 正态 | 2×10<sup>10</sup> | 1.2×10<sup>9</sup> | N/m<sup>2</sup> |
E<sub>S</sub> | 对数正态 | 1×10<sup>11</sup> | 6×10<sup>8</sup> | N/m<sup>2</sup> |
S2、将随机变量变换通过Rosenblatt等变换转化为标准正态变量;
S3、设置循环变量iter=1;
S4、通过Direct优化算法产生2n+1个随机变量的样本点Z1,将区间变量y各分量均粗略划分为t等分,若m=1,t取10,m=2或3,t取5,m≥4,t取3;
S5、在区间变量等分点基础上进行中心复合设计,得到tm个区间变量的样本点Z2,依次对Z1中的每一个随机变量样本zi,i=1,2,...,2n+1,分别代入Z2中所有的区间变量样本点,计算真实功能函数对应的结构响应,若计算最大失效概率取最小值作为样本点Z1中zi的结构响应,若计算最小失效概率取最大值作为样本点Z1中zi的结构响应,建立样本集训练得到功能函数g(x,y)在标准正态空间下的支持向量机回归模型
S6、以f(z)为优化目标函数,通过Direct优化算法再次迭代,产生新的候选样本点,选择f(z)值较小的k个样本追加到先前样本Z1中,计算样本对应的真实结构响应,建立新的包含2n+1+k个样本的训练集,其中若k<10,k=n+m,否则k=10,更新支持向量机回归模型
S7、令iter=iter+1,按伪随机方法产生N组随机变量候选样本点,经过自适应选点策略分别从安全域与不安全域筛选出回归模型最小的两个点(z1,y1)和(z2,y2),其中z1=(z11,…,z1n),z11,…,z1n为z1的n个分量,y1=(y11,…,y1m),y11,…,y1m为y1的m个分量,z2=(z21,…,z2n),z21,…,z2n为z2的n个分量,y2=(y21,…,y2m),y21,…,y2m为y2的m个分量,(z1,y1)=(z11,…,z1n,y11,…,y1m),(z2,y2)=(z21,…,z2n,y21,…,y2m);
S8、分别将以y1和y2为中心的相邻两个区间划分成t1个等分点,t1>t,若计算最大失效概率通过离散型优化算法得到更精确的z1和z2对应的回归模型最小值点和若计算最小失效概率通过离散型优化算法得到更精确的z1和z2对应的回归模型最大值点和计算这两点对应的真实结构响应添加到样本集中,再次更新支持向量机回归模型
S9、对标准正态变量z=(z1,z2,…,zn)进行蒙特卡洛仿真,和分别代入回归模型若计算最大失效概率取回归模型值和较小的作为结构响应,若计算最小失效概率取回归模型值和较大的作为结构响应,计算结构失效概率Pf,或
S10、检验结构失效概率是否收敛,若收敛,得到结构失效概率和可靠性指标β=Φ-1(Pf),其中Φ-1(·)为标准正态分布函数反函数,否则令iter=iter+1,返回步骤S7继续执行。
实施例2中公开的可靠性分析方法与其它各方法计算的失效概率及其相对误差对比见表4、表5,从表4和表5可以看出,MCS的结果作为参照精确失效概率,采用本发明的一种基于Direct算法和少量样本更新的结构混合可靠性分析方法计算得到的最大和最小失效概率相对误差小,有效增强结构的最小和最大可靠指标的计算精度,降低计算成本,满足工程实际需求。
方法 | 失效概率 | 失效概率相对误差 | 样本点数 | 迭代次数 | 可靠指标 |
MCS | 5.1449×10<sup>-2</sup> | - | 10<sup>6</sup> | - | 1.6035 |
均匀设计 | 5.0043×10<sup>-2</sup> | 2.8272 | 49 | 11 | 1.6444 |
Direct | 4.6810×10<sup>-2</sup> | 9.1051 | 14 | 1 | 1.6766 |
Direct | 5.9101×10<sup>-2</sup> | 14.7607 | 16 | 2 | 1.5624 |
Direct | 6.0150×10<sup>-2</sup> | 16.7992 | 18 | 3 | 1.5535 |
Direct | 5.0890×10<sup>-2</sup> | 1.1817 | 20 | 4 | 1.6363 |
Direct | 5.3889×10<sup>-2</sup> | 4.6416 | 22 | 5 | 1.6083 |
Direct | 5.4054×10<sup>-2</sup> | 4.9606 | 24 | 6 | 1.6068 |
Direct | 5.3672×10<sup>-2</sup> | 4.2202 | 26 | 7 | 1.6102 |
Direct | 5.3817×10<sup>-2</sup> | 4.5002 | 28 | 8 | 1.6089 |
Direct | 5.2909×10<sup>-2</sup> | 2.7375 | 30 | 9 | 1.6173 |
Direct | 5.1238×10<sup>-2</sup> | 0.5077 | 32 | 10 | 1.6330 |
Direct | 5.3507×10<sup>-2</sup> | 3.8997 | 33 | 11 | 1.6118 |
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.一种基于Direct算法和少量样本更新的结构混合可靠性分析方法,其特征在于,所述可靠性分析方法包括以下步骤:
S1、指定待分析领域的产品结构、待分析领域中反映结构或产品正常工作能力或安全工作临界状态的功能函数g(x,y)、区间变量y=(y1,y2,…,ym),随机变量x=(x1,x2,…,xn)及其特征参数,其中,n为随机变量x中元素的个数,m为区间变量y中元素的个数,x1,x2,…,xn是随机变量x向量的各分量,y1,y2,…,ym是区间变量y向量的各分量,所述待分析领域包括土木工程、机械电子和航空航天;
S2、将随机变量x=(x1,x2,…,xn)通过Rosenblatt变换转化为标准正态变量z=(z1,z2,…,zn),其中,z1,z2,…,zn是标准正态变量z的各分量;
S3、设置循环变量iter=1;
S4、通过Direct优化算法产生2n+1个随机变量的样本点Z1,将区间变量y各分量均粗略划分为t等分,若m=1,t取10,m=2或3,t取5,m≥4,t取3;
S5、在区间变量等分点基础上进行中心复合设计,得到tm个区间变量的样本点Z2,依次对Z1中的每一个随机变量样本zi,i=1,2,...,2n+1,分别代入Z2中所有的区间变量样本点,计算真实功能函数对应的结构响应,若计算最大失效概率取最小值作为样本点Z1中zi的结构响应,若计算最小失效概率取最大值作为样本点Z1中zi的结构响应,建立样本集训练得到功能函数g(x,y)在标准正态空间下的支持向量机回归模型
S6、以f(z)为优化目标函数,通过Direct优化算法再次迭代,产生新的候选样本点,选择f(z)值较小的k个样本追加到先前样本Z1中,计算样本对应的真实结构响应,建立新的包含2n+1+k个样本的训练集,其中若k<10,k=n+m,否则k=10,更新支持向量机回归模型
S7、令iter=iter+1,按伪随机方法产生N组随机变量候选样本点,经过自适应选点策略分别从安全域与不安全域筛选出回归模型最小的两个点(z1,y1)和(z2,y2),其中z1=(z11,…,z1n),z11,…,z1n为z1的n个分量,y1=(y11,…,y1m),y11,…,y1m为y1的m个分量,z2=(z21,…,z2n),z21,…,z2n为z2的n个分量,y2=(y21,…,y2m),y21,…,y2m为y2的m个分量,(z1,y1)=(z11,…,z1n,y11,…,y1m),(z2,y2)=(z21,…,z2n,y21,…,y2m);
S8、分别将以y1和y2为中心的相邻两个区间划分成t1个等分点,t1>t,若计算最大失效概率通过离散型优化算法得到更精确的z1和z2对应的回归模型最小值点和若计算最小失效概率通过离散型优化算法得到更精确的z1和z2对应的回归模型最大值点和计算这两点对应的真实结构响应添加到样本集中,再次更新支持向量机回归模型
S9、对标准正态变量z=(z1,z2,…,zn)进行蒙特卡洛仿真,和分别代入回归模型若计算最大失效概率取回归模型值和较小的作为结构响应,若计算最小失效概率取回归模型值和较大的作为结构响应,计算结构失效概率Pf,或
S10、检验结构失效概率是否收敛,若收敛,得到结构失效概率和可靠性指标β=Φ-1(Pf),其中Φ-1(·)为标准正态分布函数反函数,否则令iter=iter+1,返回步骤S7继续执行。
4.根据权利要求1所述的基于Direct算法和少量样本更新的结构混合可靠性分析方法,其特征在于,所述步骤S7中自适应选点策略过程如下:
S71、随机产生标准正态变量z=(z1,z2,…,zn)的N个随机变量样本点Z4,对于Z4中的每一个样本点zs,s=1,2,...,2n+1,代入样本点Z2中的所有点,计算回归模型值,若计算最大失效概率取最小值作为样本点Z4中zs的结构响应计算最小失效概率取最大值作为样本Z4中zs的结构响应根据的值,当时,将Z4划分为安全域的N1个样本点,当时,将Z4划分为不安全域的N2个样本点;
S72、假设N3为N1和N2较小的数,且定义的绝对值作为选取样本点的条件,令N3=min(N1,N2),且N3>0,从Z4的安全域和不安全域分别取N3/2个绝对值较小的候选样本点,构成候选样本集和若N3=0,令N3=n+m,取N3个绝对值较小的候选样本点,构成候选样本集
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210915687.6A CN115146366B (zh) | 2022-08-01 | 2022-08-01 | 基于Direct算法和少量样本更新的结构混合可靠性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210915687.6A CN115146366B (zh) | 2022-08-01 | 2022-08-01 | 基于Direct算法和少量样本更新的结构混合可靠性分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115146366A true CN115146366A (zh) | 2022-10-04 |
CN115146366B CN115146366B (zh) | 2024-04-19 |
Family
ID=83414269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210915687.6A Active CN115146366B (zh) | 2022-08-01 | 2022-08-01 | 基于Direct算法和少量样本更新的结构混合可靠性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115146366B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102610055A (zh) * | 2011-12-19 | 2012-07-25 | 大连海事大学 | 隧道自动监测多元信息无线智能报警系统 |
US20210264078A1 (en) * | 2019-10-17 | 2021-08-26 | Zhejiang University | Robust optimization design method for mechanical arm based on hybrid interval and bounded probabilistic uncertainties |
CN114282309A (zh) * | 2021-12-30 | 2022-04-05 | 北京航空航天大学 | 一种基于多目标代理模型的静叶调节机构系统可靠性分析方法 |
-
2022
- 2022-08-01 CN CN202210915687.6A patent/CN115146366B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102610055A (zh) * | 2011-12-19 | 2012-07-25 | 大连海事大学 | 隧道自动监测多元信息无线智能报警系统 |
US20210264078A1 (en) * | 2019-10-17 | 2021-08-26 | Zhejiang University | Robust optimization design method for mechanical arm based on hybrid interval and bounded probabilistic uncertainties |
CN114282309A (zh) * | 2021-12-30 | 2022-04-05 | 北京航空航天大学 | 一种基于多目标代理模型的静叶调节机构系统可靠性分析方法 |
Non-Patent Citations (1)
Title |
---|
李刚;刘志强;: "基于支持向量机替代模型的可靠性分析", 计算力学学报, no. 05, 15 October 2011 (2011-10-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN115146366B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Su et al. | A Gaussian process-based dynamic surrogate model for complex engineering structural reliability analysis | |
CN112434448B (zh) | 基于多点加点的代理模型约束优化方法和装置 | |
Liu et al. | Sequential optimization using multi-level cokriging and extended expected improvement criterion | |
Torii et al. | A general RBDO decoupling approach for different reliability analysis methods | |
CN109255173B (zh) | 考虑区间不确定性的结构失效概率区间计算方法 | |
Xiao et al. | Structural reliability analysis using combined space partition technique and unscented transformation | |
CN113627098A (zh) | 一种cfd模型确认方法及产品设计方法 | |
Yao et al. | An improved reliability analysis approach based on combined FORM and Beta-spherical importance sampling in critical region | |
Feng et al. | Stochastic nonlocal damage analysis by a machine learning approach | |
Song et al. | An adaptive failure boundary approximation method for reliability analysis and its applications | |
Stehlik et al. | On ecosystems dynamics | |
CN115329530A (zh) | 一种基于自适应加点策略的结构混合渐变可靠性评估方法 | |
He et al. | Reliability computation via a transformed mixed-degree cubature rule and maximum entropy | |
Pan et al. | Adaptive importance sampling for extreme quantile estimation with stochastic black box computer models | |
Kudva et al. | Constrained robust Bayesian optimization of expensive noisy black‐box functions with guaranteed regret bounds | |
Wang et al. | An efficient method for estimating failure probability bounds under random‐interval mixed uncertainties by combining line sampling with adaptive Kriging | |
Han et al. | A kriging-based active learning algorithm for contour estimation of integrated response with noise factors | |
Rao et al. | Factorized high dimensional model representation for structural reliability analysis | |
CN115146366A (zh) | 基于Direct算法和少量样本更新的结构混合可靠性分析方法 | |
Martins Gomes et al. | Reliability of reinforced concrete structures using stochastic finite elements | |
Wan et al. | Analytical uncertainty quantification approach based on adaptive generalized co‐Gaussian process model | |
Luo et al. | Iterative improvement of parameter estimation for model migration by means of sequential experiments | |
Liang et al. | Multidisciplinary optimization under uncertainty using Bayesian network | |
CN115391745A (zh) | 一种基于概率匹配平均法的降水预报订正方法及系统 | |
CN114329805A (zh) | 基于自适应代理模型的连接件多学科协同设计优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |