期刊检索

  • 2019年第51卷
  • 2018年第50卷
  • 2017年第49卷
  • 2016年第48卷
  • 2015年第47卷
  • 2014年第46卷
  • 2013年第45卷
  • 2012年第44卷
  • 2011年第43卷
  • 2010年第42卷
  • 第1期
  • 第2期

主管单位 中华人民共和国
工业和信息化部
主办单位 哈尔滨工业大学 主编 冷劲松 国际刊号ISSN 0367-6234 国内刊号CN 23-1235/T

期刊网站二维码
微信公众号二维码
引用本文:孙志礼,李瑞,闫玉涛,王健.一种用于结构可靠性分析的Kriging学习函数[J].哈尔滨工业大学学报,2017,49(7):146-151.DOI:10.11918/j.issn.0367-6234.201604121
SUN Zhili,LI Rui,YAN Yutao,WANG Jian.A Kriging based learning function for structural reliability analysis[J].Journal of Harbin Institute of Technology,2017,49(7):146-151.DOI:10.11918/j.issn.0367-6234.201604121
【打印本页】   【HTML】   【下载PDF全文】   查看/发表评论  下载PDF阅读器  关闭
过刊浏览    高级检索
本文已被:浏览 474次   下载 463 本文二维码信息
码上扫一扫!
分享到: 微信 更多
一种用于结构可靠性分析的Kriging学习函数
孙志礼,李瑞,闫玉涛,王健
(东北大学 机械工程与自动化学院, 沈阳 110819)
摘要:
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.
关键词:  结构可靠性  Kriging模型  失效概率  主动学习  蒙特卡罗方法
DOI:10.11918/j.issn.0367-6234.201604121
分类号:TB114.3
文献标识码:A
基金项目:国家科技重大项目(2013ZX04011-011)
A Kriging based learning function for structural reliability analysis
SUN Zhili,LI Rui,YAN Yutao,WANG Jian
(School of Mechanical Engineering & Automation, Northeastern University, Shenyang 110819, China)
Abstract:
To improve the efficiency of Kriging based structural reliability analysis, a new adaptive learning function VF is proposed after analyzing the weakness of existing learning functions. The learning function VF combines variance and joint probability density function both of which can affect the accuracy of estimated failure probability. This method can avoid wasting samples caused by sampling in the area where the value of joint probability density function is low, and increase learning efficiency. Firstly, a large number of candidate sample points are generated by Monte Carlo method, and the point that maximizes the proposed learning function value is defined as the best one. Secondly, a suitable stopping condition is proposed, which can not only ensure the accuracy of failure probability but also reduce iterations dramatically. Finally, two numerical examples are analyzed to show that the proposed method requires fewer calls to the performance function than other methods and it has high convergence speed, good accuracy and stability. And the method can be used in engineering problems with implicit and high nonlinear performance function.
Key words:  structural reliability  Kriging model  failure probability  active learning  Monte Carlo method

友情链接LINKS