RMQGS-APS-Kriging: 提升结构可靠性分析的主动学习方法

本文档主要探讨了一种创新的结构可靠性分析方法，名为"基于RMQGS-APS-Kriging的主动学习结构可靠性分析"。该方法针对机械产品的结构可靠性分析问题，尤其在面对黑箱问题时，旨在提高分析精度和效率。研究者智鹏鹏、汪忠来、李永华和田宗睿分别来自电子科技大学的机械与电气工程学院、广东电子信息工程研究院以及大连交通大学的机车车辆工程学院。 首先，文章提出了随机移动四边形网格抽样(RMQGS)技术，作为初始样本点的选择工具。这种方法能够有效覆盖设计空间，获取关键的结构特性数据。通过RMQGS，研究人员计算出这些样本点的真实性能函数值，这为后续的可靠性评估奠定了基础。 接着，差分进化算法(DE)被引入，用于优化Kriging代理模型。Kriging是一种统计学方法，常用于构建高精度的响应面模型，以预测未测试区域的性能。DE优化确保了Kriging模型的准确性，即使在数据稀疏的情况下也能提供良好的预测性能。 然后，文章提出了交替加点策略(APS)来动态扩展样本库。APS通过构造欧式距离限制区域，确定何时以及在何处添加新样本点。使用主动学习中的U函数和改进的Expected Improvement(IEI)函数，作者设计了一个迭代过程，该过程会在每一步根据模型性能选择最佳样本点，从而不断更新优化的Kriging模型。 为了进行结构可靠性的计算，子集模拟(Setsimulation, SS)方法被用来处理优化Kriging模型的拟合结果。这种方法能够有效地估计失效概率，而无需重复全面的性能函数评估。 相比于传统的基于代理模型的可靠性计算方法，这种主动学习结构可靠性分析方法显著提高了效率，能够在较少的性能函数调用次数和可靠度计算时间内实现更精确的失效概率估计。因此，本文的研究对于提升机械产品设计阶段的可靠性分析质量和速度具有重要意义，特别是在复杂结构和数据受限的情况下。 关键词：结构可靠性、Kriging代理模型、主动学习、子集模拟。该研究结果将对工程实践中的可靠性评估提供新的理论支持和技术路径。