1.基于径向基函数RBF的边坡系统失效概率计算方法,其特征在于,包括:步骤S1:在标准正态空间中,利用初始采样点策略生成所述边坡系统的训练样本集;
步骤S2:将所述训练样本集中未确定功能响应G(u)的样本点从所述标准正态空间转换至物理空间,并利用强度折减法计算转换至物理空间后的样本点对应的G(u);
步骤S3:在所述标准正态空间中,利用所述训练样本集和G(u),训练径向基函数RBF代理模型;
步骤S4:利用训练后的RBF代理模型预测蒙特卡罗模拟MCS池中所有样本点的功能响应,并根据预测的功能响应计算当前迭代的失效概率,将所述失效概率记录在预设矩阵中;
步骤S5:判断最后五次迭代计算的失效概率的变异系数是否小于预设的收敛阈值;
步骤S6:当最后五次迭代计算的失效概率的变异系数不小于预设的收敛阈值时,利用主动学习函数结合训练后的RBF代理模型,从所述MCS池中选出位于标准正态空间内的最优样本点,并将所述最优样本点加入所述训练样本集,重复步骤S2~步骤S6;
步骤S7:当最后五次迭代计算的失效概率的变异系数小于预设的收敛阈值时,将所述预设矩阵中最后一次迭代计算的失效概率作为所述边坡系统可靠度分析的结果。
2.根据权利要求1所述的方法,其特征在于,在步骤S1中,在标准正态空间中,利用初始采样点策略生成所述边坡系统的训练样本集的步骤包括:在标准正态空间中,使用3-σ规则构建所述边坡系统的初始训练样本集;所述初始训练样本集包括多个样本点u,其中u表示所述标准正态空间中随机变量u的向量;
针对所述初始训练样本集中每个u,判断所述u是否满足以下任一条件:所述u有n-1个u等于-3,另一个u等于0或者3,所述n表示u中的u的个数;或所述u的n个元素全相同,均等于-3,0或者3;
若所述u满足,则将所述u保留在所述初始训练样本集中;
若所述u不满足,则将所述u从所述初始训练样本集中移除;
当所述初始训练样本集判断完,获得所述训练样本集S。
3.根据权利要求2所述的方法,其特征在于,所述步骤S2包括:令标准正态空间为U,物理空间为X;
将所述S中未确定G(u)的样本点从所述U转换至X后,所述样本点由u转换为x;
利用给定的线性函数g(x),计算所述x的功能响应:g(x)=FS(x)-1 (1);
其中,FS是使用FLAC3D中嵌入的强度折减法计算的稳定性系数;
通过(1)式可得到g(x)对应的G(u)。
4.根据权利要求3所述的方法,其特征在于,在步骤S3中,在所述标准正态空间中,利用所述训练样本集和G(u),训练径向基函数RBF代理模型的步骤包括:在所述标准正态空间中,利用所述训练样本集训练RBF代理模型,获得G(u)对应的代理表达式(2)式中, 表示当前S中第i次模拟的一个样本点,N表示当前S中的样本点数目,ρ、b分别表示所述RBF代理模型中未知系数ρ、b的向量,n表示u中随机变量的个数,uj表示u中第j个随机变量,Ψ(·)表示核函数;
采用线性核函数Ψ(a)=a,将每个样本点 代入(2)式,求解所述未知系数;
(3)式中,第n+1项的未知系数通过正交条件确定,Ψij表示使用所述Ψ(·)计算的i、j两次模拟的样本点之间的距离值。
5.根据权利要求4所述的方法,其特征在于,在步骤S4中,利用训练后的RBF代理模型预测蒙特卡罗模拟MCS池中所有样本点的功能响应,并根据预测的功能响应计算当前迭代的失效概率的步骤包括:(i)
利用训练后的RBF代理模型获得的 代替G(u ),代入下式计算,获得当前迭代的失效概率;
上式中,NSP表示所述MCS池中样本点的数目。
6.根据权利要求1或5所述的方法,其特征在于,在步骤S5中,判断最后五次迭代计算的失效概率的变异系数是否小于预设的收敛阈值的步骤包括:根据最后五次迭代计算的失效概率的标准差 和平均值 计算变异系数判断所述变异系数是否小于预设的收敛阈值ε。
7.根据权利要求4所述的方法,其特征在于,在步骤S6中,利用主动学习函数结合训练后的RBF代理模型,从所述MCS池中选出位于标准正态空间内的最优样本点uc的步骤包括:其中,uT表示所述MCS池中的一个样本点,d(uT,S)表示所述uT与当前S中样本点的最小距离,d(S)是目标最小距离的限值,λ是比例因子,0.1≤λ≤0.5。
8.根据权利要求3所述的方法,其特征在于,所述方法还包括:将显式的高度非线性函数g(x)’引入作为测试,对步骤S2~步骤S6进行验证,其中: