可靠性讲稿(2.5响应面法-2.6静强度可靠性).ppt

2.5 结构可靠性分析的响应面法 响应面法(Response Surface Method)及其改进方法 神经网络可靠性分析方法(Artificial Neural Network) Kriging可靠性分析方法 响应面法及其改进方法(Response Surface Method-RSM) 响应面法的基本思路 线性响应面法(linear polynomial) 二次不含交叉项的响应面法(quadratic polynomial without cross terms) 响应面法的基本思路 基本思想：通过一系列确定性实验，用多项式函 数来近似隐式极限状态函数。通过合理地选取试验 点和迭代策略，来保证多项式函数能够在失效概率 上收敛于真实的隐式极限状态函数的失效概率。 基本问题： 1°选择多项式形式(selection of polynomial) 2°选择确定多项式的试验点(design of experiment) 3°迭代策略(iterative strategy) 线性响应面法(linear polynomial) 基本思想：采用线性多项式来近似隐式极限状态方 程，通过实验设计来确定线性多项式的待定系数，通过 迭代来保证线性响应面的失效概率对真实失效概率有一 定的近似精度。 适用范围：当真实的极限状态函数非线性程度不大 时，线性响应面具有较高的近似精度。 实现的原理： 代替隐式极限状态函数的线性多项式 假定真实的极限状态方程为： g(x)=g(x1, x2,···, xn)=0 其中x=(x1, x2,···, xn)为基本随机变量。 二次不含交叉项的响应面法(quadratic polynomial without cross terms) 神经网络(Artificial Neural Network-ANN)可靠性分析方法 神经网络的基本原理 人工神经网络是在现代神经生物学和认识科学对人类 信息处理研究的基础上提出来的，它通过模拟人脑神 经元网络的结构和特征来实现各种复杂的信息处理功 能。神经网络由很多的神经元相互连接而成。 神经网络中神经元排列成层，接受信号(接受神经网络 的输入信号)的层称为输入层，输出信号(输出神经网 络的结果)的层称为输出层，不直接与输入输出发生关 系的层称为中间层或隐层。 一个三层神经网络(仅含有单隐层的神经网络)逼近某一 连续函数的误差边界由最佳逼近的精确度和近似的经 验拟合精度两个因素决定。最佳逼近的精确度要求隐 层神经元的个数足够，近似的经验拟合精度则要求训 练样本的个数要远大于隐层神经元的个数。当神经网 络的拓扑结构(网络的层数，各层的神经元的数量)确定 以后，就可以采用各类学习算法训练样本。 BP神经网络 误差反向传播(Error Back Proragation)学习算法—BP 算法。BP算法的目的是通过调节神经网络的自由参 数(各神经元的连接权值和阀值)，使得神经网络的 均方误差能量最小。该算法首先初始化各自由参 数，将给定的样本输入值，传播至输入层、中间层 直至输出层，得到网络的输出，并将该响应值与样 本的实际输出结果相对比，得到网络的误差，然后 按照使误差减小的方向，依次修正输出层、中间层 和输入层各神经元的自由参数，重复上述过程，使 得网络的误差逐渐减小，网络的输出的精度逐步提 高。 神经网络方法在可靠性分析中的应用 (1)通过选择训练样本，用神经网络方法来显式化极 限状态方程 (2)采用显式极限状态方程的可靠性分析方法来计算 失效概率 Kriging可靠性分析方法 Kriging方法的描述及优点 Kriging技术是一种半参数化的插值技术，其目的就 是通过部分已知的信息去模拟某一点的未知信息。 Kriging模型并不需要建立一个特定的数学模型，它综 合考虑变量的随机性和结构性以及误差的相关性，算 法灵活，是一种更具“统计性”的近似技术。 Kriging模型的优点 Kriging模型以已知信息的动态构造为基础，即只 使用估计点附近的某些信息，而不是所有的信息对未 知信息进行模拟； Kriging同时具有局部和全局的统计特性，这个特 性使得Kriging方法可以分析已知信息的趋势、动态。 2.6 结构静强度可靠性分析中失效模式的确定 基本概念 由大量元件组成的结构系统，其失效模式有很多，但 只有那些对系统失效概率影响较大的主要失效模式才是我 们所关注的。 基于增量载荷的优化准则法可以确定结构系统的主要 失效模式，并建立主要失效模式的极限状态方程。优化准 则的基本思路是：给结构系统一级一级地增加增量载荷， 每加一级载荷都筛选出一