没有合适的资源?快使用搜索试试~ 我知道了~
基于环形抽样代理模型的结构可靠性分析方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 150 浏览量
2022-12-15
14:22:47
上传
评论
收藏 264KB DOCX 举报
温馨提示
试读
13页
基于环形抽样代理模型的结构可靠性分析方法.docx
资源推荐
资源详情
资源评论
工程中的不确定性广泛存在,如振动、冲击、加速度、噪声及载荷等,这些因素对结
构的性能和可靠性产生重要影响
[1]
。结构可靠性理论和方法为处理工程中各种不确定性问
题提供有效解决途径。
蒙特卡洛仿真(monte carlo simulation, MCS)方法具有较高的精度和鲁棒性,其可靠性
分析结果常常作为衡量其他方法优劣的标准,广泛应用于结构可靠性分析领域
[2]
。但对于
小概率问题,MCS 方法需要大量样本来保证精度,尤其性能函数是隐式时,需通过数值仿
真,如有限元分析(finite element analysis, FEA)
[3-4]
求解输入变量的输出响应,导致可靠性分
析耗费大量时间,效率低下。为了提高可靠性分析的效率,一阶、二阶可靠性分析方法
(first-/second-order reliability methods, FORM/SORM)
[5]
被广泛采用。FORM、SORM 在可靠
性设计点(most probable point, MPP)对性能函数分别进行一阶、二阶泰勒展开。然而,由于
忽略展开式中的高阶项,对于非线性程度较高的性能函数,FORM、SORM 的精度较低,
很难得到准确的可靠性指标。为了更好地平衡精度和效率,近年来,代理模型技术在结构
可靠性领域广泛发展。常见的代理模型有:响应面法(response surface method, RSM)
[6-7]
、神
经网络(neural networks, NN)
[8-9]
、支持向量机(support vector machine, SVM)
[10-11]
、克里金插
值(Kriging)
[12-18]
等。
Kriging 模型因具有准确的插值特性和提供估计值的不确定性方差,而被广泛应用于
结构可靠性领域。文献[19]提出一种学习方程—U 方程,为 Kriging 在结构可靠性领域广泛
发展奠定了坚实的基础;文献[17]提出一种基于子集模拟(subset simulation, SS)的可靠性分
析方法,为解决小概率失效问题提供了一种可行的途径;文献[18]考虑变量权重并保证所
选样本点之间保持一定的距离且分布在极限状态方程周围;文献[20]引入了 K-Means 聚类
算法考虑变量之间的相关性问题;文献[21]连接极限状态方程两侧异号的特定样本点,再
在此直线上随机产生 n 个样本点,寻找最佳候选样本点。虽然以上方法都在一定程度上提
升了可靠性分析的效率,但很少关注代理模型更新过程中的抽样区域问题;鉴于此,本文
通过 3σ3σ 准则、欧式距离确定代理模型更新过程中的抽样区域,避免因对失效概率贡献
较小的区域持续抽样而造成计算资源的浪费,提高了可靠性分析的效率。另外,通过改变
抽样区域带宽,该方法也可用于解决结构可靠性分析中的小失效概率问题。
1. Kriging 模型
Kriging 模型(高斯过程回归)是起源于地质统计学的一种插值方法,不仅可以估计样本
点响应的均值,还可以表征估计结果不确定程度,目前在可靠性领域已得到广泛的应用。
Kriging 模型通常分为线性回归部分和随机过程部分,其数学模型可表示为
[22]
:
G(x)=f(x)β+z(x)G(x)=f(x)β+z(x)
(1)
式中,f(x)f(x)为变量 x 的一个多项式函数,本文 f(x)f(x)取值 1;β 是回归系数;
z(x)z(x)是一随机过程,服从正态分布 z(x)∼N(0,σ2)z(x)∼N(0,σ2),其协方差方程为:
Cov[z(xi),z(xj)]=σ2Rθ(xi,xj)Cov[z(xi),z(xj)]=σ2Rθ(xi,xj)
(2)
式中,Rθ(xi,xj)Rθ(xi,xj)是 xi,xjxi,xj 之间的相关函数,本文选择鲁棒性更强的高斯
方程,表示如下:
Rθ(xi,xj)=exp(−∑d=1nθd(xdi−xdj)2)=∏d=1nexp(−θd(xdi−xdj)2)Rθ(xi,xj)=exp(−∑d=1nθd(xid−xjd)2)=∏d=1nexp(−θd(xid−xjd)2)
(3)
根据设计空间样本 xx 及其响应 G(x)G(x),可得回归系数以及随机过程方差的估计值
[23]
:
β^=(1TR−1θ1)−11TR−1θYβ^=(1TRθ−11)−11TRθ−1Y
(4)
σ^2=1m(Y−β^1)TR−1θ(Y−β^1)σ^2=1m(Y−β^1)TRθ−1(Y−β^1)
(5)
式中,1 是元素均为 1 的 m×1 向量;Y 为样本响应。求得 Kriging 模型后,通过式(6)
和式(7)估计样本 x 的响应 G^(x)G^(x)和方差 σ^2G^σ^G^2,其中
μ(x)=1TR−1θr(x)−1μ(x)=1TRθ−1r(x)−1
[23]
:
G^(x)=β^+r(x)TR−1θ(Y−β^1)G^(x)=β^+r(x)TRθ−1(Y−β^1)
(6)
r(x0)=[Rθ(x0,x1),Rθ(x0,x2),⋯,Rθ(x0,xm)]Tr(x0)=[Rθ(x0,x1),Rθ(x0,x2),⋯,Rθ(x0,xm)]T
(7)
σ^2G^(x)=σ^2[1−r(x)TR−1θr(x)+μ(x)T(1R−1θ1)−1μ(x)]σ^G^2(x)=σ^2[1−r(x)TRθ−1r(x)+μ(x)T(1Rθ−11)−1μ(x)]
(8)
2. 代理模型更新与抽样策略
构建高效的代理模型,样本点的选取策略是关键。设计空间不同区域的样本点对失效
概率的贡献不一样,因此在代理模型构建过程中,若在贡献较小的区域过多的选取样本
点,或贡献较大的区域过少的选取样本点,都会影响代理模型的构建效率和精度;再者,
依据传统的 AK-MCS 方法选取样本点,同样避免不了对失效概率贡献较小的区域过多的选
取样本点。基于代理模型的结构可靠性分析中,为了提高所构建模型的建模效率和精度,
需构建特定的抽样区域,该区域的样本点相对其他区域样本点对失效概率有较大的贡献。
因此,所选样本点应分布在极限状态方程附近;再构建抽样特定区域,通过选取该区域内
的样本点对代理模型进行更新。分析如下。
1)通过 AK-MCS 中 U
[19]
方程,即 U=|G^(x)|/σG^(x)U=|G^(x)|/σG^(x),可确定样本空
间中 3 类样本点,如图 1 所示。若选中的样本点落在对失效概率贡献较小的区域,代理模
型不能进行有效的更新,反而增加了对性能函数的无效调用,降低了可靠性分析的效率。
因此,避开样本空间对失效概率贡献较小的区域尤为重要。
图 1 U 方程选取的 3 类样本点
下载: 全尺寸图片 幻灯片
2)蒙特卡洛抽样的样本分布情况如图 2 所示(如变量服从高斯分布),对于结构可靠性
分析中的小概率失效问题,设计空间的最优样本点往往存在于蒙特卡洛抽样样本分布的边
缘部分,如图 3 中红色虚线之间的蓝色样本点;假设有 1×10
6
个样本服从标准正态分布,
且失效概率的数量级为 10
−3
,由 3σ3σ 准则可得,分布在各个区间的样本量数目如图 4 所
示,并且随着区间远离原点,区间内的样本数量急剧减少。如图 4 所示,即使区间
[4,+∞)[4,+∞)内的 31.67 个样本全部落在失效域内,对失效概率的贡献仅仅为 10
−5
数量级;
况且,对于结构可靠性中小概率失效问题,区间[4,+∞)[4,+∞)内的样本仅有少量分布于可
靠性问题的失效区域。因此,此区域的样本点最终对失效概率的贡献估计仅为 10
−6
数量
级,甚至更小,可忽略不计。另外,如图 3 所示,外圈红色虚线外侧的样本点对模型更新
后的准确率影响较小;同理,内圈红色虚线内侧的样本点对模型更新后的准确率影响同样
较小。因此,为了避免代理模型更新过程中对失效概率贡献较小的区域过多抽样或对失效
概率贡献较大的区域过少抽样,图 3 红色虚线区域样本点即为最佳样本点的目标区域(样本
服从标准正态分布)。
剩余12页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3968
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 基于servlet+jsp+mysql的网上书店教程+源码.zip
- 华为HCIA-WLAN 3.0 课程视频(802.11标准介绍)
- GitHub存档仓库:功能、用途及使用方法详解
- 华为HCIA-WLAN 3.0 课程视频(无线通信的基本概念(下))
- C语言实战项目-贪吃蛇小游戏V1.0(附带全套源代码)
- 支持安装于Chromiu内核浏览器(谷歌Chrome、360极速、360安全、搜狗、QQ、UC、猎豹等)
- 华为HCIA-WLAN 3.0 课程视频(无线通信的基本概念(上))
- 多个关于c++的实际详细案例
- Delphi版本概览:演变、特性及差异分析
- 华为HCIA-WLAN 3.0 课程视频(WLAN面临的挑战及解决方案)
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功