基于人工神经网络的结构随机响应分析.pdfVIP

第26卷第2期 桂林工学院学报 V01．26No．2 ofGuilin 0f A 2006年4月 Joumal UniversityT色chnology pr．2006 文章编号：1006—544x(2006)02—0205—04 基于人工神经网络的结构随机响应分析 刘光焰1，夏晓舟2，蒋定宇3 (1．桂林工学院土木工程系，广西桂林541004；2．河海大学工程力学系，南京210024； 3．桂林市建筑安装工程公司，广西桂林541001) 摘要：结构的随机响应分析由于涉及到大量的样本，而使得有限元计算过程大量重复，尽管通 过正交设计可减少分析样本数目，效率仍十分低下．采用BP人工神经网络这一映射迅速的运算 方法，通过计算少量样本对应的有限元结果，进行训练，将训练好的网络用于结构的随机响应分 EI=o．000 析．算例计算和工程应用表明，在整个计算过程中，误差均在I 1范围内，神经网络的 训练时间约占一次有限元计算时间的15％，因此对于三维问题利用神经网络可节省大量时间． 关键词：BP人工神经网络；随机有限元；随机响应分析；重力坝 中图分类号：TU311．2；TPl83 文献标志码：A 在实际工程中，力学参数、荷载因素等都具 练一学习收敛”的过程．神经元的传播函数最常 有不确定性特征，并服从一定的随机分布规律， 计算这些随机因素产生的响应时有多种随机结构 分析方法¨。4J．这些方法中，有些涉及到大量的 般的结构分析问题所涉及到的变异系数不是很大， 样本，使得对每一个样本都要进行确定性有限元 故可以采用绝对误差的逆传播方式．BP网络结构 计算，过程大量重复，效率则十分低下．有些虽 见图1． 计算效率得到一定的提高，但通用性很差，不易 操作．对于蒙特卡洛法，若能结合人工神经网络 的映射方法，只计算不多的样本所对应的有限元 结果，并通过这有限的对应(随机输入参数一随 机响应)进行训练，将训练好的网络用于其它剩 9 25 12 余的大量样本的随机响应求解，则可避免大量的 图1 BP人工神经网络结构 0f Fig．1StmctureBPart访cialneuralnet 有限元重复计算，提高计算效率．基于此，本文 从一简单算例着手，在结构的随机响应分析中借 图中，A‘为输入模式向量；∥为中间层神经 助人工神经网络这一映射迅速的运算工具进行计 元输入向量；曰‘为中间层输出向量；∥为输出层 算，工程实例表明，该方法可行，并能缩短计算 神经元输入向量；c‘为输出层输出向量；矿为希 时间． 望输出向量； {．，ii}为输入层至中间层连接权； {l。}为中间层至输出层连接权；{佛}为中间层 1 BP人工神经网络及其训练机制 各神经元输出阈值；{M}为输出层各神经元输出 BP人工神经网络是一种具有两层或两层以上阈值．以上江1，2，…，n；J=1，2，…，p；￡ 的阶层型神经网络，上下层实行全连接．整个过 =1，2，…，q；后=1，2，…，m． 程可归结为“模式顺传播-+误差逆传播_÷记忆训 设第后个学习模式网络希望输出与实际输出 收稿日期：2005—04—08 基金项目：广西教育厅科研项目[桂教科研2004(20)] 作者简介：刘光焰(197l一)，男，硕士，讲师，土木工程专业