结构可靠指标计算的蒙特卡罗法(第二次).ppt

5.5蒙特卡罗法求解失效概率实例 例4-5设某构件正截面承载力计算的极限状态方程为Z＝g(R,S)=R-S=0，R、S分别为正态和极值I型分布的随机变量，其统计参数为R（100，20），S（80，24）。试用蒙特卡罗法求解其失效概率。 5.5蒙特卡罗法求解失效概率实例4-5（一般抽样） 2.产生R的随机数（R为正态分布） 1.产生（0-1）均匀分布的随机数 3.产生S的随机数（S为极值I型分布） 4.将变量的随机值代入功能函数，计算g＝R-S 5.重复1～4，记录下g0的次数L和总次数N 由（0-1）均匀分布随机数产生正态分布随机数 5.5蒙特卡罗法求解失效概率实例4-5（一般抽样） 当 停止 N 100 200 300 400 500 600 700 800 900 1000 L 26 47 72 95 117 138 157 177 201 224 失效概率 0.26 0.235 0.24 0.2375 0.234 0.23 0.2243 0.2213 0.2233 0.224 Z＝g(R,S)=R-S 蒙特卡罗法求解失效概率实例4-6（一般抽样） X1服从对数正态分布，平均值和变异系数分别为： X2服从极值I型分布，平均值和标准差分别为： X3服从韦布尔分布，平均值和标准差分别为： 已知结构的功能函数为： 求结构的可靠指标 三种分布的密度函数 对数正态分布 极值I型分布 韦布尔分布 1求分布函数 （1）对于服从正态分布的X1有： （2）对于服从极值I型分布的X2有： 依据正态分布与标准正态分布的关系，以及对数正态分布与正态分布的关系 代入即可求出 代入即可求出 1求分布函数 （3）对于服从韦尔布型分布的X3有： 将 代入上式，得 代入即可求出 2.产生随机数r，利用反函数法产生样本 （1）产生随机数r1，利用反函数法产生X1的样本 （2）产生随机数r2，利用反函数法产生X2的样本 2.产生随机数r，利用反函数法产生样本 （3）产生随机数r3，利用反函数法产生X3的样本 （4）将第1次产生的随机数 ，得到的第1样本 ，代入功能函数可计算其值 否则 若 （5）将第2次产生的随机数 ，代入产生第二个样本 ， 代入功能函数可计算其值 重复计算10000次，出现失效次数18次 评述 对于小概率事件的结构失效问题，用蒙特卡罗法导致很大的计算量，因此（直接的）蒙特卡罗法对于结构可靠度不高即失效概率较大的情况，有较高的效率。 如何提高蒙特卡罗法的抽样效率，成为该方法要解决的主要问题。 1.5.6.1引言 （1）同心圆表示联合概率密度函数的等值线，黑点为联合概率密度函数的最大值点，即最大似然点，该点一般在随机变量的平均值附近。 （2）当按一般抽样方法进行随机抽样时，样本点落在最大似然点处的概率最大，所以抽样的样本点大部分落在该点附近。 （3）按照结构安全设计的要求，结构失效为小概率事件，也就是设计结构时，要使最大似然点在可靠域内，且远离失效边界。 5.6蒙特卡罗的重要抽样法 5.6蒙特卡罗的重要抽样法 5.6.1.引言 （4）在这种情况下，模拟中只有少数或极少数（取决于失效概率的大小）的样本落入失效域，落入失效域的样本点越少，失效概率估计值的不确定性越大，从而精度越低。例如当进行了一定次数的模拟后仍然没有一个样本点落入失效域，则失效概率的估计值为0，显然不能反映结构失效概率的真实结果。 （5）提高抽样效率的途径是缩减失效概率估计值的方差，为此发展了多种高效抽样方法，其中重要抽样法应用最广。 根据概率论及泛函的知识可以得到，使失效概率估计值方差 最小的重要抽样函数为 上式表示的抽样函数是以功能函数小于0为条件的概率密度函数，在这一条件下，抽样的样本点必然会落入失效域内。 重要抽样法的理论基础 用该抽样函数可得到了失效概率精确值，即失效概率估计值的方差为0。 事实上，由于该抽样函数包括未知项 ，无法使用，但对于构造其它形式的重要抽样函数提供了启示。 5.6蒙特卡罗的重要抽样法 5.6.2.基本概念 所谓重要抽样法，就是通过改变抽样中心的位置或是用新的概率分布对随机变量进行抽样，来估计失效概率的值，从而达到缩减方差的目的。 理论分析表明，只要做到以下2点均能提高抽样效率： （1）构造的抽样函数要保证有一定数量的样本点