[發(fā)明專利]基于強度折減法的邊坡系統(tǒng)可靠度分析方法

有效

• 申請?zhí)枺?/td>: 202010214034.6
• 申請日: 2020-03-24
• 公開（公告）號: CN111444649B
• 公開（公告）日: 2022-10-18
• 發(fā)明（設(shè)計）人: 張?zhí)忑?/a>;曾鵬;李天斌;孫小平
• 申請（專利權(quán)）人: 成都理工大學(xué)
• 主分類號: G06F30/23
• 分類號: G06F30/23;G06F119/02;G06K9/62
• 代理公司: 北京潤澤恒知識產(chǎn)權(quán)代理有限公司 11319
• 代理人: 莎日娜

1.基于強度折減法的邊坡系統(tǒng)可靠度分析方法，其特征在于，包括：

步驟S1：在標(biāo)準(zhǔn)正態(tài)空間中，利用初始采樣點策略生成所述邊坡系統(tǒng)的訓(xùn)練樣本集；

步驟S2：將所述訓(xùn)練樣本集中未確定功能響應(yīng)G(u)的樣本點從所述標(biāo)準(zhǔn)正態(tài)空間轉(zhuǎn)換至物理空間，并利用強度折減法計算轉(zhuǎn)換至物理空間后的樣本點對應(yīng)的G(u)；

步驟S3：在所述標(biāo)準(zhǔn)正態(tài)空間中，利用所述訓(xùn)練樣本集和G(u)，訓(xùn)練代理模型，所述代理模型為支持向量機SVM代理模型、Kriging代理模型或徑向基函數(shù)RBF代理模型；

步驟S4：利用訓(xùn)練后的代理模型預(yù)測蒙特卡羅模擬MCS池中所有樣本點的功能響應(yīng)，并根據(jù)預(yù)測的功能響應(yīng)計算當(dāng)前迭代的失效概率，將當(dāng)前迭代的失效概率記錄在預(yù)設(shè)矩陣中；

步驟S5：判斷最后五次迭代計算的失效概率的變異系數(shù)是否小于預(yù)設(shè)的收斂閾值；

步驟S6：當(dāng)最后五次迭代計算的失效概率的變異系數(shù)不小于預(yù)設(shè)的收斂閾值時，利用主動學(xué)習(xí)函數(shù)結(jié)合訓(xùn)練后的代理模型，從所述MCS池中選出位于標(biāo)準(zhǔn)正態(tài)空間內(nèi)的最優(yōu)樣本點，并將所述最優(yōu)樣本點加入所述訓(xùn)練樣本集，重復(fù)步驟S2～步驟S6；

步驟S7：當(dāng)最后五次迭代計算的失效概率的變異系數(shù)小于預(yù)設(shè)的收斂閾值時，將所述預(yù)設(shè)矩陣中最后一次迭代計算的失效概率作為所述邊坡系統(tǒng)可靠度分析的結(jié)果；

在步驟S1中，在標(biāo)準(zhǔn)正態(tài)空間中，利用初始采樣點策略生成所述邊坡系統(tǒng)的訓(xùn)練樣本集的步驟包括：

在標(biāo)準(zhǔn)正態(tài)空間中，使用3-σ規(guī)則構(gòu)建所述邊坡系統(tǒng)的初始訓(xùn)練樣本集；所述初始訓(xùn)練樣本集包括多個樣本點u，其中u表示所述標(biāo)準(zhǔn)正態(tài)空間中隨機變量u的向量；

針對所述初始訓(xùn)練樣本集中每個u，判斷所述u是否滿足以下任一條件：

所述u有n-1個u等于-3，另一個u等于0或者3，所述n表示u中的u的個數(shù)；或所述u的n個元素全相同，均等于-3,0或者3；

若所述u滿足，則將所述u保留在所述初始訓(xùn)練樣本集中；

若所述u不滿足，則將所述u從所述初始訓(xùn)練樣本集中移除；

當(dāng)所述初始訓(xùn)練樣本集判斷完，獲得所述訓(xùn)練樣本集S；

在步驟S4中，利用訓(xùn)練后的代理模型預(yù)測蒙特卡羅模擬MCS池中所有樣本點的功能響應(yīng)，并根據(jù)預(yù)測的功能響應(yīng)計算當(dāng)前迭代的失效概率的步驟包括：

上式中，N_SP表示所述MCS池中樣本點的數(shù)目；

當(dāng)所述代理模型為SVM代理模型時，利用訓(xùn)練后的SVM代理模型獲得的V(u⁽ⁱ⁾)代替G(u⁽ⁱ⁾)，代入(11)(12)式計算，獲得當(dāng)前迭代的失效概率；

當(dāng)所述代理模型為RBF代理模型或Kriging代理模型時，利用訓(xùn)練后的獲得的代替G(u⁽ⁱ⁾)，代入(11)(12)式計算，獲得當(dāng)前迭代的失效概率；

在所述步驟S6中，利用主動學(xué)習(xí)函數(shù)結(jié)合訓(xùn)練后的代理模型，從所述MCS池中選出位于標(biāo)準(zhǔn)正態(tài)空間內(nèi)的最優(yōu)樣本點u_c的步驟包括：

當(dāng)所述代理模型為Kriging代理模型時，所述u_c的計算公式包括：

其中，u_T表示U空間中MCS池T中的樣本點，表示通過所述Kriging代理模型預(yù)測的標(biāo)準(zhǔn)差；

當(dāng)所述代理模型為RBF代理模型時，所述u_c的計算公式包括：

其中，u_T表示所述MCS池中的一個樣本點，d(u_T,S)表示所述u_T與當(dāng)前S中樣本點的最小距離，d(S)是目標(biāo)最小距離的限值，λ是比例因子，0.1≤λ≤0.5；

當(dāng)所述代理模型為SVM代理模型時，采用代替代入(15)、(16)式計算u_c。