论文部分内容阅读
实际工程中存在着许多不确定性,结构可靠度分析是工程中亟待解决的问题。重要性抽样(Importance Sampling,IS)是解决结构可靠度问题的重要手段之一,其中重要性抽样函数的确定是IS方法的核心问题,该函数直接决定了重要性抽样方法的效率和精度。而自适应重要性抽样方法,避免了求解最可能失效点(Most Probable Point,MPP)问题。基于马尔科夫链蒙特卡洛的重要性抽样方法(Markov Chain Monte Carlo Importance Sampling,MCMC-IS)是常用的自适应重要性抽样方法之一,该方法可以较好地适应多MPP点以及高非线性失效面问题,但需要高额的计算成本,对实际工程并不适用。采用代理模型可显著提高工程中可靠性分析的计算效率,其中,基于Kriging代理模型的自适应重要性抽样方法(Kriging-based Adaptive Importance Sampling method,KAIS法)利用马尔可夫链蒙特卡洛法对最优重要性抽样密度函数预抽样,然后引入Kriging代理模型,利用已抽取的样本点初始化Kriging代理模型,并结合U学习准则训练Kriging代理模型,用于代替功能函数求解失效概率。KAIS法为基于Kriging代理模型的马尔科夫链重要性抽样框架提供了理论基础,但由于MCMC抽样与Kriging代理模型的训练相互独立,在预抽样过程中引入了大量计算成本。因此,本文对KAIS方法进一步改进,引入了混合蒙特卡洛(Hybrid Monte Carlo,HMC)抽样,提出了基于HMC-Kriging可靠度分析方法。HMC法相比于传统MCMC抽样方法,如Metropolis-Hastings法,利用了随机样本的梯度信息,具有更高的样本接受率和收敛速度,避免了随机游走的问题。HMC-Kriging方法在利用HMC抽样抽取样本中心的同时更新Kriging代理模型并代替真实功能函数进行抽样,利用U学习函数寻找危险点更新Kriging代理模型,反复迭代,直到满足收敛条件,避免了预抽样过程造成计算资源浪费现象。此外,本方法对HMC抽样步长做出一定调整,使该方法可用于求解多失效域多MPP点问题。经算例测试,与现有的一些方法相比本文方法对低失效概率、高非线性、多MPP点问题具有明显优势。随后本文将时不变HMC-Kriging框架拓展到时变可靠度分析中,与基于随机过程转换法相结合,并推导了时变静态变量重要性抽样公式。算例表明,在平稳随机高斯过程中,HMC-Kriging时变可靠度分析方法效果良好。