论文部分内容阅读
蒙特卡罗模拟是目前结构可靠度分析中最准确有效的方法,但因其计算量太大、效率低而受到很大的限制。特别是对于大型复杂结构的功能函数不能被明确表达的情况.鉴于此,在案特卡罗重要抽样方法的基础上,提出了利用RBF神经网络替代原结构功能函数的RBF-蒙特卡罗方法,以提高工作效率.RBF神经网络训练样本的选取则由均匀试验设计确定,以提高样本的代表性并大幅减少样本数量,从而加快网络的训练过程.加强网络的逼近能力.算例分析表明,该方法不但能最大限度地减少结构有限元分析次数,而且有满意的计算精度,具有实际应用价值.