.png){kind=icon}
返回
Efficient parallel reliability analysis method based on dynamic multi-center importance sampling
.png){kind=icon}
PRE
AI
DOI：10.1007/s00158-025-04210-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
非线性系统可靠性评估在存在多种失效模式时面临显著挑战，特别是在低失效概率和高计算需求场景下。本研究提出了一种新颖的并行可靠性分析框架，该框架集成了增广径向基函数（ARBF）与多中心重要抽样算法（MIS）。所提方法通过交叉验证技术建立自适应学习函数，基于轮廓分析确定最佳聚类数量，并依据学习函数的预测结果对候选点进行加权聚类，从而实现并行化。此外，通过发展多中心重要抽样函数解决了多失效域系统中的低失效概率关键问题。将加权聚类的质心设定为重要抽样的中心，并随着极限状态近似模型的预测精度提升，持续迭代重要抽样函数。通过多个分析案例和固体火箭发动机可靠性分析，验证了ARBF-MIS的计算效率和实际适用性。
Keyword:
Reliability analysis
Augmented radial basis function
Parallelizability
Multi-center dynamic importance sampling
Multiple failure modes
期刊
IF:
4
论文数:
4.9K
被引数:
1.7W
机构
引用论文
Application of state-of-the-art multiobjective metaheuristic algorithms in reliability-based design optimization: a comparative study最先进的多目标元启发式算法在基于可靠性的设计优化中的应用: 一项比较研究
.png){kind=icon}
PREAI
分享收藏A new active learning surrogate model for time- and space-dependent system reliability analysis
PREAI
分享收藏An improved adaptive Kriging model-based metamodel importance sampling reliability analysis method
PREAI
分享收藏A new adaptive sequential sampling method to construct surrogate models for efficient reliability analysis一种新的自适应顺序抽样方法来构造代理模型以进行有效的可靠性分析
PREAI
分享收藏An improved adaptive kriging-based importance technique for sampling multiple failure regions of low probability一种改进的基于自适应kriging的低概率多故障区域采样重要性技术
PREAI
分享收藏Reliability analysis of arbitrary systems based on active learning and global sensitivity analysis
OAAI
OAAI分享收藏
查看更多内容