基于主动学习Kriging模型的地下管线抗震可靠度分析

为提升地下承插式接口铸铁管线抗震可靠度的计算效率,提出基于主动学习Kriging代理模型的Monte Carlo模拟方法(AK-MCS)进行地下管线抗震可靠度计算。采用梁单元模拟管线结构,均布弹簧反映管土相互作用,接口弹簧模拟邻接管道约束作用,建立了地下管线地震响应分析模型;考虑管线接口允许位移、管线埋深、土体容重和内摩擦角等模型参数随机性的影响,以管线接口位移量为安全准则,采用主动学习Kriging模型方法建立管线接口位移响应与随机变量参数关系的代理模型,从而获得管线接口安全状态。算例结果表明,AK-MCS法计算得到的管线失效概率与传统Monte Carlo模拟计算的结果相对误差在5%以内,且AK-MCS法计算时间约为传统Monte Carlo模拟计算时间的2%。因此在进行管线可靠度计算时,主动学习Kriging代理模型方法具有准确性与高效性。     

基于ALK-MCS算法的航空发动机轴承可靠性分析

作为航空发动机的关键部件,主轴圆柱滚子轴承的可靠性水平直接影响航空发动机性能的稳定性与服役的安全性,因此准确分析主轴圆柱滚子轴承的可靠性至关重要。然而,圆柱滚子轴承的失效行为复杂,其可靠性分析中的功能函数呈现高度非线性且无法给出显式表达,此时使用代理模型近似构建圆柱滚子轴承的功能函数是一种行之有效的方法。将蒙特卡洛模拟法(MCS)和Kriging代理模型相结合,提出了基于主动学习Kriging(ALK)的ALK-MCS算法,并将该算法应用于某型号航空发动机主轴圆柱滚子轴承的可靠性分析。首先,建立圆柱滚子轴承的三维模型,其次对圆柱滚子轴承进行有限元仿真,最后基于ALK-MCS算法对其进行可靠性分析。结果表明ALK-MCS算法计算效率高,显著减少了圆柱滚子轴承的仿真次数,所得到的可靠性分析结果可为实际工程中的决策者提供参考。     

结构可靠性分析的LCVT-SVR方法

为了克服结构可靠性分析中隐式极限状态函数和高计算量问题,提出LCVT-SVR结构可靠性分析方法.该方法利用拉丁质心Voronoi网格化（LCVT）抽样方法生成空间均匀性较好的训练样本,采用均匀映射得到一定数量的失效样本.基于训练样本,建立极限状态函数的支持向量机回归（SVR）代理模型,用于结构可靠性分析.在同一组SVR训练参数条件下,对多种抽样方法进行对比研究.结果表明,基于LCVT样本构建的SVR代理模型具有精度高和鲁棒性好的特点.利用2个工程算例,验证了所提方法的性能及实用性.     

一种用于结构可靠性分析的Kriging学习函数

为提高基于Kriging模型的结构可靠性分析方法的效率,分析现有学习函数的不足,提出一种新的自适应学习函数VF.该学习函数同时考虑学习点的Kriging方差和联合概率密度函数值对失效概率估计精度的影响,避免对概率密度函数值过小的区域抽样造成的样本点浪费,提高了学习效率.根据Monte Carlo方法生成大量候选样本点,定义学习函数最大值点为最佳样本点;提出一种适合该学习函数的学习停止条件,既保证失效概率的精度又保证学习选点次数较少;分析两个数值算例.结果表明:与其他方法相比,所提出方法能够在较少样本数量的情况估计出较准确的失效概率值,其在迭代收敛速度、准确性及稳定性方面都具有较好的效果,且该方法能够应用于工程中隐式且非线性程度较高情况.     

基于环形抽样代理模型的结构可靠性分析方法

该文提出一种基于高效代理模型—Kriging模型的可靠性分析方法,通过欧式距离构造抽样区域,用于确定代理模型更新过程中样本点的选取范围,保证代理模型在更新过程中只对失效概率贡献大的区域选取样本点.算例分析表明该方法具有较高的精度和效率,不仅适用于性能函数为隐式的结构可靠性分析,而且通过改变环形抽样区域的带宽,同样适用于...     

基于序列代理模型的结构可靠性分析方法

工程中部件或系统的性能函数通常是隐函数形式,该文提出基于高效代理模型的结构可靠性分析方法,构造新增样本点学习函数,并用于指导在序列迭代过程中的样本点选择。所提出的学习函数考虑了变量权重并保证所选的样本点相互之间有一定的距离且分布在极限状态方程周围。算例分析表明该方法有较好的精度和鲁棒性,不仅适用于性能函数为隐函数时的结构可靠性分析,而且也适用于现有的各种代理模型（神经网络、支持向量机、响应面等）,为结构可靠性分析提供新途径与新方法。     

基于证据理论和代理模型的QMU分析

针对结构可靠性或性能评估中的随机和认知不确定性同时存在的情况,根据性能裕量与不确定性量化的概念,提出了基于证据理论和Kriging代理模型的性能裕量与不确定性量化分析计算方法。该方法首先对随机变量进行抽样并通过优化求解证据焦元内结构性能响应极值分布并生成训练样本空间,通过最大置信水平期望提高加点准则构建并更新Kriging代理模型,提高裕量与不确定性量化分析过程中不确定性传播的效率和精度,在此基础上通过计算置信因子实现结构可靠性或性能评估度量。最后通过算例比较研究了基于置信因子度量结构可靠性和结构非概率可靠性之间的差异。     

Kriging序贯设计方法在滑动轴承优化中的应用

利用Kriging代理模型提供目标函数无偏预测值和理论置信区间的优势,比较传统试验设计方法和基于Kriging模型的序贯加点方法对模型的影响,结合设计空间的全局搜索和最优解临近区间的局部搜索,引入并行加点准则及相应的收敛条件,得到精度、效率高的代理模型,用2个经典优化测试函数进行验证和评估.结果表明,与传统试验设计方法相比,基于Kriging的序贯加点方法得到的模型全局精度更高且能更快地收敛到优化问题的真实最优解.最后,以动静压滑动轴承为优化设计对象,单位承载力下摩擦功耗为目标函数,考虑几何结构及工况等约束条件,采用传统试验设计方案和Kriging序贯加点方案分别建立目标函数的模型,分别进行优化设计,并同传统的复合形优化结果进行对比. 3种方案对比结果显示,Kriging加点方案在有限迭代步数下,对于降低单位承载力下的摩擦功耗效果最为显著,验证了该方法快速收敛的特性.     

基于再淹没现象的RBF神经网络和Kriging的代理模型应用及误差分析

为了将代理模型应用于核工程反应堆热工水力现象中,以再淹没现象为研究对象,构建代理模型,并通过控制实验参数的数量,来化解精度与效率之间的矛盾。首先使用拉丁超立方方法抽取输入样本,并通过RELAP5建模获取输出样本,由MATLAB分别构建RBF神经网络代理模型和Kriging代理模型,对包壳峰值温度（PCT）进行拟合。然后分析比较了2种代理模型的拟合结果,发现2种代理模型的相对误差值均小于0.15%,均适用于再淹没现象;Kriging代理模型的拟合精度高于RBF神经网络代理模型。     

地球流体动力学模型恢复的长短期记忆网络渐进优化方法

地球物理流体动力学的计算模型在数据同化和不确定性量化等任务中的计算代价非常大。有人提出了相应的替代模型以寻求减轻计算负担。研究人员已经开始应用人工智能和机器学习算法, 特别是人工神经网络, 针对地球物理流体建立数据驱动的替代模型。神经网络的性能在很大程度上取决于其网络结构设计和超参数的选择(调参)。一般情况下, 这些神经网络通过手动调参, 反复试错, 从而最大限度地提高其计算性能。这通常要求对底层神经网络结构以及特定领域问题有专业知识积累和认知。这一局限性可以通过使用进化算法, 自动设计和选择神经网络的最优超参数来解决。本文应用遗传算法进行了有效的长短期记忆(Long Short-Term Memory, LSTM)神经网络设计, 建立了NOAA海表温度数据集的温度预测模型。     

Kriging模型在齿面磨损预测中的应用

为快速准确地对齿面磨损进行预测,考虑双齿啮合区的载荷分配并用Kriging方法建立了新的磨损数值仿真模型.基于Winkler弹性模型和轮齿啮合原理得到磨损量计算所需要的压力分布及啮合速度,在确定压力分布时考虑了由磨损带来间隙的影响,并对所需的载荷进行了动态分配;基于Archard磨损模型推导齿轮的磨损量数值仿真模型,得到了不同磨损次数下轮廓各个啮合点处的磨损深度;用Kriging方法和人工神经网络方法构建磨损与齿轮参数的关系代理模型,研究不同初始样本量下代理模型的逼近程度和拟合优度.算例计算结果表明:磨损量随磨损次数增加逐渐累积,参与啮合的齿廓各个位置的磨损量均不相同,节点处最小,越靠近齿根越大,主动轮(小齿轮)大于从动轮(大齿轮);综合比较3个初始样本量训练得到的Kriging模型表明,最小样本量为100时逼近程度和拟合优度都满足要求,并可预测未来的磨损量.采用Kriging模型具有较高的计算效率和精度,克服了磨损数值仿真模型计算耗时长的不足.     

点雨量和面雨量的最优估计

降雨量系随空间位置变化的一种区域化变量,既有随机性,又有一定的结构性。本文应用克里格法对点雨量和面雨量进行了最优估计。由该法得到的估计值符合无偏性,且估计方差最小,因此它比传统常规方法具有较高的可靠性。     

改进Kriging的热结构耦合梁共振非概率可靠性分析

针对梁结构在热结构耦合作用时其极限状态函数为隐式形式且难以求解的问题,基于振动可靠性理论,将改进的Kriging模型与有限元方法相结合,提出了热结构耦合梁共振非概率可靠性分析方法.首先利用Kriging法构建热结构耦合梁可靠性功能函数的近似模型,并利用主动学习法改进了选取新增样本点的方式,使得改进后的Kriging近似模型更加逼近于真实极限状态函数.在此基础上,考虑结构参数的不确定性,对梁结构的不确定变量用区间变量进行描述,建立了含有超椭球凸集的梁结构共振非概率可靠性模型,最后结合优化方法求解出梁结构共振非概率可靠性指标.算例结果表明了该方法的合理性以及计算精度高的特点,为热结构耦合梁的共振非概率可靠性分析提供了可行的途径.     

协同优化方法的改进及应用

针对协同优化方法在应用中存在的计算困难,分析了导致协同优化方法计算困难的原因,并指出了常用的改进方法。从改进系统层二次相容性约束出发,提出了一种基于系统层动态约束的协同优化方法,新方法改进了系统层约束,能够避免原协同优化中系统层约束导致的计算困难的问题。并首次使用改进的协同优化方法对减速器进行了优化设计。结果表明,改进的协同优化方法具有很高的稳定性、可靠性,并且能够提高求解效率。     

结构的鲁棒性、冗余度和易损性

为进一步完善结构的鲁棒性、冗余度和易损性相关分析方法,更加准确地获取土木结构的抗力与外力关系,进而优化补强其薄弱易损部位,以减少结构因抗力不足而引发的损伤甚至是安全事故及其所造成的损失.通过综述结构的鲁棒性、冗余度和易损性分析研究进展,类比不同评价指标的表达形式,从而指出结构的鲁棒性、冗余度和易损性分析的本质含义,提出结构的鲁棒性、冗余度和易损性分析应变能评价指标,并据此对结构的鲁棒性、冗余度和易损性分析之间的关系以及基本影响因素展开研究.结果表明:结构的鲁棒性、冗余度和易损性源于不同时期、不同领域,已有文献大多是基于对其含义的不同程度理解,其评价指标也大多具有主观性、相互关联且计算较为复杂,也尚未提出可广泛接受的分析方法;结构的鲁棒性、冗余度和易损性本质均是反映结构特别是损伤结构抵抗外力作用的能力,其中结构鲁棒性、冗余度侧重结构在外力作用下安全储备或剩余容许能力,结构易损性则更直观反映了结构在外力作用下的破坏程度;结构的鲁棒性、冗余度评价指标具有相似的表达形式,并与易损性呈反比例变化;可通过提高结构构件的材料强度及截面尺寸、增加杆端约束、优化荷载路径等措施增强和提高结构的鲁棒性、冗余度,即降低结构的易损性,进而减少结构损伤甚至是安全事故及其所造成的损失.     

基于不同扩张模拟方式的支架优化设计

为选取一种简洁而有效的支架扩张模拟方式,用于基于有限元分析的结果对支架进行优化设计,本文选用典型的菱形支架作为算例,采用目前两种常用的支架扩张模拟方式:球囊内施加内压和球囊内施加径向位移,利用与改进的拉丁抽样法相结合的Kriging替代模型优化算法,以减小支架扩张过程中的"Dogbon-ing"效应为目的,分别对支架进行了的优化设计,得到了这两种模拟方式下的优化结果.数据结果表明,基于球囊内施加内压模拟分析的优化结果更符合现有的设计理念.     

基于代理模型的旋翼翼型动态失速优化设计

利用代理模型方法取代计算流体动力学（CFD）方法,开展旋翼翼型的动态失速特性优化设计. 建立基于动网格技术的旋翼翼型非定常气动特性求解方法,获得旋翼翼型在不同外形下的升阻力和力矩气动特性参数. 利用类型转换（CST）翼型参数化方法,对初始翼型进行拟合重构;选取12个设计参数,利用基于自然启发的全局优化差分进化算法,优化目标是降低旋翼翼型的力矩和阻力特性,主要限制条件是保证升力特性不降低和翼型厚度增幅不明显. 将本文的优化设计结果与基于伴随方法和CFD方法的优化结果进行对比. 结果表明,基于Kriging模型的动态失速特性优化方法与伴随方法相比,在二维翼型优化设计上具有更好的寻优性能,优化翼型气动特性的表现更好;该方法与CFD方法相比,在利用全局优化算法的优势下,减少了过早陷入局部最优点的可能性,对比优化结果表明,在力矩和阻力特性相差无几的情况下,升力特性的表现更优.     

基于机器学习的斜拉索装配容差区间反演方法

为了量化斜拉索在安装过程中抵抗施工误差干扰的能力,从而提高斜拉桥工业化建造可施工性,提出了一种挖掘装配容差性能的区间反演框架,采用可靠度区间下界描述多源不确定性的极端干扰,将反演过程作为一个可靠性约束的多目标优化问题求解,开发了基于机器学习的解耦式预测算法,通过集成有限元响应预测、可靠度边界计算与代理模型构建,实现了最不利可靠度指标的直接映射。通过算例对斜拉桥的斜拉索装配过程进行了容差规划,结果表明：将不确定性合理量化后,目标斜拉索能容许的最大施工张拉力误差可达到217.4～317.3 kN,其抗误差干扰率为7.29%～12.98%。区间反演方法可以显著避免多重嵌套寻优产生的巨量算力消耗;在保证结构可靠性与设计最优性前提下,有效提升了现场张拉过程的兼容性和可控性。     

基于主动学习的视频对象提取方法

提出了一种基于主动学习的SVM视频对象提取方法。利用主动学习的思想,对传统的支持向量机进行了改进,将SVM和主动学习的优点结合起来,实现了更加准确提取视频对象的目的。通过自适应变化检测获取初始视频对象,并以其作为训练样本,选取正类样本训练支持向量机,构造加强的分界面。实验结果表明,该方法能克服一般SVM方法的缺点,使视频对象的边缘更加精确,同时减小了计算量。     

步长动态寻优的BP算法

从ＢＰ算法原理出发,找到造成这一结果的根本原因,利用目标函数对学习步长的一阶、二阶梯度值,应用牛顿近似法和线性寻优法来求得动态最优步长,这种算法所需存储一阶二阶导数的单元结构和标准ＢＰ算法中的结构相同,不会对存储造成大的负担,可使编程易于实现。计算机的仿真实验结果表明,这种方法是切实有效的。