[发明专利]一种面向结构可靠性分析的通用动态追踪序列采样方法

说明书

本发明属于结构可靠性分析领域，并具体公开了一种面向结构可靠性分析的通用动态追踪序列采样方法，包括如下步骤：建立结构极限状态函数，确定随机变量及随机变量分布信息；构建随机点并将随机变量及随机点转换至标准正态空间中以确定目标采样区域；构建训练点，形成训练数据集并建立代理模型；对目标采样区域进行划分，识别出最敏感区域；开采最敏感区域，获得一个新的训练点，更新训练数据集及代理模型，然后计算预测失效概率；计算所有局部区域的最大相对误差及预测失效概率的变异系数，根据最大相对误差和变异系数判断是否终止采样，以此完成结构可靠性的分析。本发明具有操作步骤简单、效率高、自适应强等优点。

技术领域

本发明属于结构可靠性分析领域，更具体地，涉及一种面向结构可靠性分析的通用动态追踪序列采样方法。

背景技术

可靠性是衡量复杂结构服役性能的关键概率指标，不同于确定性分析，可靠性分析充分考虑影响结构失效的各方面不确定因素，例如材料属性、载荷条件、加工工艺、装配环境等。近年来，一系列的结构可靠性分析理论方法已经应用于航空航天、远洋装备、基础设施等领域，随着人们对结构服役性能的要求与日俱增，高可靠性复杂结构装备已成为中国制造迈向高精尖化的一个重要标志，而可靠性分析理论则在其中扮演核心角色。

尽管可靠性分析理论已经取得了飞速发展，但是当大型结构装备越来越复杂、服役要求越来越高时，结构的极限状态函数(也称为功能函数)通常具有高度非线性特点，甚至是未知隐式的。此时常规的解析法(如一次二阶矩法)、蒙特卡洛模拟法及其改进方法均不再适用，而代理模型则可以很好地解决此类复杂黑箱问题。

基于代理模型的可靠性分析方法通常采用某种实验设计方法选取一系列的训练点来构造原始极限状态函数的近似代理模型，并用该近似代理模型进行后续的分析评估。常用的代理模型包括：多项式响应面、多项式混沌展开、Kriging、径向基函数、支持向量回归、神经网络等。对于实际工程问题，获取每一个训练点的真实响应值都需要进行仿真实验或者物理实验，这个过程非常耗时。因此，决定此类方法使用效率的关键在于，借助合理有效的实验设计方法，用尽可能少的训练点构建出能够满足可靠性分析精度要求的代理模型。

现有的面向结构可靠性分析的实验设计方法主要包括一次采样和序列采样。一次采样为了获得在整个设计空间内拥有较高全局精度的代理模型，通常会使所构造的训练点均匀分布在整个空间内。但是对于可靠性分析而言，只有精确地拟合出极限状态边界才能获取准确的失效概率结果，当代理模型仅仅只是具有较好的全局精度时，失效评估的结果并不完全准确，对于一些小失效概率的复杂结构，失效评估的结果有时甚至是错误的。此外，一次采样的使用往往还受限于训练点集大小的确定，在不了解结构黑箱内部机理的情形下预先设置好训练点的数目很困难。不同于一次采样，序列采样主要构建一个在极限状态边界足够精确的局部代理模型，并尽量保证全局精度，从而使代理模型适应可靠性分析的需求。但是，现有的采样策略往往过于依赖某一种代理模型，对不同问题不具有很好的适应性；并且，它们在增加新的训练点时并没有充分利用对于可靠性分析有用的迭代信息，评估结果没有实时地反馈到训练点的获取和停止更新模型上。

因此，针对基于代理模型的高效可靠性分析，提出一种步骤简单、适应性强、高度符合可靠性分析需求、关键区域精度高且耗时短的自适应序列采样方法具有重要意义。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种面向结构可靠性分析的通用动态追踪序列采样方法，其目的在于弥补面向可靠性分析的序列采样方法适应性不强、不能紧密联系可靠性分析需求的短板，提供一种操作步骤相对简单、效率较高且能满足可靠性分析需求的自适应序列采样分析方法，具有操作步骤简单、效率高、自适应强等优点。

为实现上述目的，本发明提出了一种面向结构可靠性分析的通用动态追踪序列采样方法，包括如下步骤：

S1建立待分析结构的极限状态函数，确定极限状态函数中的随机变量及随机变量的分布信息；