.png){kind=icon}
返回
Structural reliability analysis using gradient-enhanced physics-informed neural network and probability density evolution method
.png){kind=icon}
PRE
AI
DOI：10.1016/j.strusafe.2025.102604.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在过去十年中，概率密度演化方法（PDEM）已成为进行整体结构可靠性分析（SRA）的最受欢迎的方法之一。基于PDEM的SRA的主要流程在于求解与虚拟随机过程（VSP）相关的广义概率密度演化方程（GDEE）。求解GDEE的常用方法对求解参数的选择高度敏感，这可能影响解的精度、效率和稳定性。最近，物理信息神经网络（PINN）及其扩展形式已成功应用于不同领域求解微分方程。基于此，梯度增强PINN（gPINN）被用于求解SRA中VSP的GDEE，从而提出了一种改进方法，即称为演化概率密度（EPD）-gPINN模型。具体而言，推导出归一化的GDEE和附加梯度残差方程作为物理损失。同时，为提供充足的监督训练数据，建立了一种易于操作的数据增强流程。通过数值算例验证了所提出框架的有效性。进行了参数分析以研究网络参数对预测性能的影响。结果表明，通过选择适当的梯度损失权重，所提出的框架能够高效地进行SRA，其预测性能优于PINN。
Keyword:
Probability density evolution method
Gradient-enhanced physics-informed neural
network
Structural reliability analysis
Partial differential equation
Mesh-free solving method
期刊
IF:
6.3
论文数:
1.4K
被引数:
7.0K
机构
暂无机构信息
引用论文
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Structural reliability analysis for implicit performance functions using artificial neural network基于人工神经网络的隐式性能函数结构可靠性分析.png)
STRUCTURAL SAFETY
STRUCTURAL SAFETYIF6.3
PREAI
分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏
查看更多内容