.png){kind=icon}
返回
Efficient reliability analysis method for non-linear truss structures using machine learning-based uncertainty quantification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.camwa.2025.01.014.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
桁架结构通常涉及大量相似单元；因此，分析桁架结构可靠性时，有必要采用能够处理高维问题的可靠性分析算法。此外，在考虑材料属性和几何形状方面的非线性行为时，开发此类算法具有挑战性。为此，本研究提出了一种新型方法，命名为t-LQR，该方法结合了三个领域的进展：i) 机器学习中的高性能梯度提升模型，用于构建高精度预测模型；ii) 可靠性分析中的主动学习过程，用于自适应地改进预测模型；iii) 来自概率信息的分位数回归，用于不确定性量化，以识别用于细化预测模型的候选样本。通过平面和空间桁架结构验证了所提出方法的有效性和鲁棒性，结果表明，与传统的蒙特卡洛方法相比，t-LQR将结构分析的计算时间显著缩短了高达25倍。此外，在非线性问题方面，t-LQR在精度上优于基于Kriging的竞争模型。
Keyword:
Structural analysis
Reliability analysis
Active learning
Machine learning
Numerical simulation
期刊
C
IF:
2.5
论文数:
369
被引数:
1.8W
机构
暂无机构信息
引用论文
On hyperparameter optimization of machine learning algorithms: Theory and practice机器学习算法的超参数优化: 理论与实践.png)
NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏A combined Importance Sampling and Kriging reliability method for small failure probabilities with time-demanding numerical models具有时间要求的数值模型的小失效概率的组合重要性抽样和Kriging可靠性方法
PREAI
分享收藏
查看更多内容