欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022109156876
申请人: 暨南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

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;

m

S5、在区间变量等分点基础上进行中心复合设计,得到t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

‑1

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 (·)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。

2.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,所述支持向量机回归模型 具有如下形式:(j)

l为样本支持向量个数,j为下标或上标变量,(z,y) 表示自样本产生的第j个随机变(j)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) 2exp(‑γ||(z,y)‑(z,y) ||) ,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。

3.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S6中,优化目标函数f(z)定义为:其中, 为拟合构造的响应面函数,若计算最大失效概率 若

计算最大失效概率 p(z)为联合概率密度函数,p(z)的表达式为w表示标准随机变量z第w个分量, 为标准随机变量z第w个标准随机变量的密度函数,即

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

S73、若N3>0,分别计算候选样本集 和 中N3/2个候选样本点的欧几里得距离,选取欧几里得距离最小值最大的样本点z1和z2,即:其中,min表示求最小值,max表示求最大值, 表示对变量z先求函数的最小值再0

求最大值,||·||为欧几里得距离,z为点集Z1中的任意点, 或S74、若N3=0,计算候选样本集 中N3个候选样本点的欧几里得距离,选取欧几里得距离最小值最大的样本点z1,即:

5.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S9中,若建立的支持向量个数为q,支持向量机建立功能函数替代函数 或 具有如下形式:new new new (p) 2 new (p)

若选择高斯核函数,则K(z,y )=exp(‑γ2||(z,y )‑(z,y ) ||) ,(z,y ) 表示new new自样本产生的第p个随机变量z和区间变量y 的组合(z,y )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。