.png){kind=icon}
返回
A geometry-informed machine learning method using XGBoost for reliability analysis
.png){kind=icon}
PRE
AI
DOI：10.1007/s00366-026-02360-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高维非线性结构问题的高效精确可靠性评估仍是一个持续存在的挑战。传统解析方法在处理复杂结构的复杂失效边界时往往力不从心。同时，交集区域划分方法虽具准确性，但面临计算上的不可行性，而改进的近似积分方法则受限于固定的经验公式，无法完全补偿投影诱导偏差。为解决这些局限性，本文提出了一种基于XGBoost的几何信息机器学习方法（GMLX）。通过从极限状态表面中提取拓扑一致的几何参数作为特征描述符，GMLX构建了一个数据驱动模型以自适应地补偿投影诱导偏差。GMLX架构表现出显著的维度普适性：一旦离线训练完成，该模型无需重新训练即可对训练几何边界内同维度的广泛工程问题进行校正，而与具体的物理极限状态函数无关。通过包括复杂热-机械涡轮叶片分析在内的多种数值和工程实例验证表明，GMLX成功弥合了解析精度与机器学习效率之间的差距，为复杂结构的可靠性分析提供了一种稳健且实用的工具。
Keyword:
Geometry-informed
Machine learning
XGBoost
Error correction
Reliability analysis
期刊
IF:
4.9
论文数:
2.6K
被引数:
9.3K
机构
引用论文
An enhanced finite step length method for structural reliability analysis and reliability-based design optimization用于结构可靠性分析和基于可靠性的设计优化的增强有限步长方法
PREAI
分享收藏XGBoost.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏分享收藏A novel chaos control method based on conjugate direction and adaptive step sizeSTRUCTURES
STRUCTURESIF4.3
PREAI
分享收藏A novel optimization-based adaptive Kriging method for structural reliability analysis一种基于优化的自适应克里金方法用于结构可靠性分析
PREAI
分享收藏
查看更多内容