.png){kind=icon}
返回
A Fatigue Reliability Analysis Method Based on Active-Learning IS-INGO-BPNN
.png){kind=icon}
PRE
AI
DOI：10.1142/S0218539325500329.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为提高疲劳可靠性评估的准确性和有效性，提出了一种基于主动学习IS-INGO-BPNN的疲劳可靠性评估方法。该方法采用改进的北方雀鹰优化（INGO）算法优化BPNN，从而提高其拟合精度并加速收敛。为增强初始训练样本的代表性，开发了一种适用于BP神经网络的主动学习函数以识别最优样本点。在主动学习过程中，引入了一种重要抽样方法，将更多样本集中在目标分布的高概率区域。通过数值算例比较了主动学习IS-INGO-BPNN、主动学习INGO-BPNN、主动学习BPNN和原始BPNN的预测性能，从而验证了主动学习IS-INGO-BPNN模型的准确性。当应用于转向架构架的疲劳可靠性分析时，结果表明，经过15次主动学习迭代后，IS-INGO-BPNN模型的预测精度达到99.91%，且构架计算得到的疲劳可靠性为95.53%。该建议的方法不仅保证了代理模型的预测精度，还提高了计算速度。
Keyword:
Active-learning function
fatigue reliability
BP neural network
bogie frame
期刊
I
IF:
0.9
论文数:
68
被引数:
0
机构
引用论文
分享收藏分享收藏
LIF: A new Kriging based learning function and its application to structural reliability analysis
PREAI
分享收藏A novel wind power deterministic and interval prediction framework based on the critic weight method, improved northern goshawk optimization, and kernel density estimation.png)
RENEWABLE ENERGY
RENEWABLE ENERGYIF9.1
PREAI
分享收藏AK-MCS: An active learning reliability method combining Kriging and Monte Carlo SimulationAk-mcs: 一种结合Kriging和蒙特卡洛模拟的主动学习可靠性方法STRUCTURAL SAFETY
STRUCTURAL SAFETYIF6.3
PREAI
分享收藏Chen, X.; Li, J.; Li, B.; Zou, X.; Cai, F. The multi-stage adding strategy on Kriging and applied to cavitation optimization of centrifugal impeller. J. Northwestern Polytech. Univ. 2024, 42, 467–476. [Google Scholar] [CrossRef]陈, X.; 李, J.; 李, B.; 邹, X.; 蔡, F. Kriging的多阶段添加策略及其在离心叶轮空化优化中的应用. 西北工业大学学报, 2024, 42, 467–476. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏
查看更多内容