基于Fourier正交基神经网络响应面法的结构可靠性分析

吉林大学学报(工学版) ›› 2012, Vol. 42 ›› Issue (增刊1): 135-138.

基于Fourier正交基神经网络响应面法的结构可靠性分析

孟广伟^1,2, 李广博², 周振平², 周立明²

1. 吉林大学汽车仿真与控制国家重点实验室,长春 130022;
2. 吉林大学机械科学与工程学院,长春 130022

收稿日期:2011-12-07 出版日期:2012-09-01 发布日期:2012-09-01
通讯作者: 周立明(1982-),男,讲师,博士.研究方向:计算固体力学.E-mail:lmzhou@jlu.edu.cn E-mail:lmzhou@jlu.edu.cn
作者简介:孟广伟(1959-),男,教授,博士生导师.研究方向:疲劳与断裂.E-mail:mgw@jlu.edu.cn
基金资助:
吉林省科技厅基金项目(201205011,201215048).

Structure reliability analysis based on Fourier orthogonal neural network response surface method

MENG Guang-wei^1,2, LI Guang-bo², ZHOU Zhen-ping², ZHOU Li-ming²

1. State Key Laboratory of Automotive Simulation and Control, Jilin University, Changchun 130022, China;
2. College of Mechanical Science and Engineering, Jilin University, Changchun 130022, China

Received:2011-12-07 Online:2012-09-01 Published:2012-09-01

摘要/Abstract

摘要： 将Fourier正交基前向神经网络响应面法应用于估计结构失效概率。基于数值逼近原理,以Fourier正交多项式作为隐层神经元的激励函数,利用随机变量输入矩阵的广义逆矩阵形式计算权值,以Fourier正交基响应面代替传统多项式响应面,拟合其极限状态曲面,结合可靠性理论计算其失效概率。通过实例数值分析,证明了本文方法的正确性,同时具有公式简单、易于编程的优点,为解决结构可靠性分析问题提出了一种新方法。

关键词: 结构可靠性, Fourier正交基, 神经网络, 响应面法, 广义逆矩阵

Abstract: Fourier orthogonal neural network response surface method was used to estimate the failure probability of structure. Based on numerical approximation principle, a special feed-forward neural network using Fourier orthogonal polynomial activation function was proposed. A pseudo-inverse of random variable input matrix was used to determine the network weights without iterative training. The failure probability was calculated by Fourier orthogonal neural network response surface method instead of traditional polynomial response surface method. The numerical analysis shows that the proposed method is effective, meanwhile the formula of the proposed method is simple and easy to programming, providing a new method for solving the structure reliability analysis.

Key words: structure reliability, Fourier orthogonal basis, neural network, response surface method, generalized inverse matrix

中图分类号:

TB114.3

孟广伟, 李广博, 周振平, 周立明. 基于Fourier正交基神经网络响应面法的结构可靠性分析[J]. 吉林大学学报(工学版), 2012, 42(增刊1): 135-138.

MENG Guang-wei, LI Guang-bo, ZHOU Zhen-ping, ZHOU Li-ming. Structure reliability analysis based on Fourier orthogonal neural network response surface method[J]. 吉林大学学报(工学版), 2012, 42(增刊1): 135-138.

参考文献

[1] 赵国藩. 工程结构可靠性理论与应用[M]. 大连:大连理工大学出版社,1996.

[2] Guan X L,Melchers R E. Effect of response surface parameter variation on structural reliability estimates[J]. Structural Safety,2001,23(4): 429-444.

[3] Gupta S,Manohar C S. An improved response surface method for the determination of failure probability and importance measures[J]. Structural Safety,2004,26(2):123-139.

[4] Gavin H P,Yau S C. High-order limit state functions in the response surface method for structural reliability analysis[J]. Structural Safety,2008,30(2): 162-179.

[5] Irfan Kaymaz,Chris A McMahon. A response surface method based on weighted regression for structural reliability analysis[J]. Probabilistic Engineering Mechanics,2005,20(1): 11-17.

[6] Gomes H M,Awruch A M. Comparison of response surface and neural network with other methods for structural reliability analysis[J]. Structural Safety,2004,26(1): 49-67.

[7] 阎宏生,胡云昌,牛勇. 基于神经网络响应面的结构可靠性分析方法研究[J]. 海洋工程,2002,20(2):1-6. Yan Hong-sheng, Hu Yun-chang, Niu Yong. Approximate structural reliability analysis based on NN-RSM[J]. The Ocean Engineering,2002,20(2):1-6.

[8] Deng J,Gu D S,Li X B,et al. Structural reliability analysis for implicit performance functions using artificial neural network[J]. Structural Safety,2005,27(1):25-48.

[9] Emad W Saad,Donald C Wunsch II. Neural network explanation using inversion[J]. Neural Networks,2007,20(1): 78-93.

[10] Ashit Talukder,David Casasen. A closed-form neural network for discriminatory feature extraction from high-dimensional data[J]. Neural Networks,2001,14(9): 1201-1218.

相关文章 15

[1]	席利贺,张欣,孙传扬,王泽兴,姜涛. 增程式电动汽车自适应能量管理策略[J]. 吉林大学学报(工学版), 2018, 48(6): 1636-1644.
[2]	江涛,林学东,李德刚,杨淼,汤雪林. 基于人工神经网络的放热规律的量化预测[J]. 吉林大学学报(工学版), 2018, 48(6): 1747-1754.
[3]	徐岩,孙美双. 基于卷积神经网络的水下图像增强方法[J]. 吉林大学学报(工学版), 2018, 48(6): 1895-1903.
[4]	宫亚峰, 申杨凡, 谭国金, 韩春鹏, 何钰龙. 不同孔隙率下纤维土无侧限抗压强度[J]. 吉林大学学报(工学版), 2018, 48(3): 712-719.
[5]	李雄飞, 冯婷婷, 骆实, 张小利. 基于递归神经网络的自动作曲算法[J]. 吉林大学学报(工学版), 2018, 48(3): 866-873.
[6]	底晓强, 王英政, 李锦青, 从立钢, 祁晖. 基于量子细胞神经网络超混沌的视频加密方法[J]. 吉林大学学报(工学版), 2018, 48(3): 919-928.
[7]	王方石, 王坚, 李兵, 王博. 基于深度属性学习的交通标志检测[J]. 吉林大学学报(工学版), 2018, 48(1): 319-329.
[8]	刘东亮, 王秋爽. 基于NGSIM数据的车辆瞬时速度获取方法[J]. 吉林大学学报(工学版), 2018, 48(1): 330-335.
[9]	谢志江, 吴小勇, 范乃吉, 郭宗环, 袁岳军, 王康. 神光-III精密装校平台运动学分析[J]. 吉林大学学报(工学版), 2017, 47(5): 1504-1511.
[10]	马淼, 李贻斌. 基于多级图像序列和卷积神经网络的人体行为识别[J]. 吉林大学学报(工学版), 2017, 47(4): 1244-1252.
[11]	王德军, 吕志超, 王启明, 张贤达, 王子健. 基于汽缸压力辨识的发动机失火故障诊断[J]. 吉林大学学报(工学版), 2017, 47(3): 917-923.
[12]	黄璇, 郭立红, 李姜, 于洋. 改进粒子群优化BP神经网络的目标威胁估计[J]. 吉林大学学报(工学版), 2017, 47(3): 996-1002.
[13]	李琳辉, 伦智梅, 连静, 袁鲁山, 周雅夫, 麻笑艺. 基于卷积神经网络的道路车辆检测方法[J]. 吉林大学学报(工学版), 2017, 47(2): 384-391.
[14]	王庆年, 段本明, 王鹏宇, 拱印生, 朱庆林. 插电式混合动力汽车动力传动系参数优化[J]. 吉林大学学报(工学版), 2017, 47(1): 1-7.
[15]	郭应时, 付锐, 赵凯, 马勇, 袁伟. 驾驶人换道意图实时识别模型评价及测试[J]. 吉林大学学报(工学版), 2016, 46(6): 1836-1844.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed