下期文章摘要预报

基于神经网络的岩土工程结构随机有限元分析邓　建 ,朱合华　　针对有限元蒙特卡罗法计算量大的弊端和岩土工程结构功能函数不能用显式表达的可靠性分析问题 ,提出并论证了基于神经网络的随机有限元 (有限元蒙特卡罗 )分析法 .神经网络具有高度非线性的映射能力 ,可用来逼近结构响应量与随机变量的映射关系 .通过典型岩土工程结构的应用实例分析 ,初步显示了基于神经网络的有限元蒙特卡罗法的应用效果和前景 .波浪对弹性结构三维绕流分析的半解析方法曹志远 ,翟　桐　　采用二维解析和一维离散的方法处理无限流体介质 ,建立一种分析结构与外…     

基于神经网络的岩土工程结构随机有限元分析

针对有限元蒙特卡罗法计算量大的弊端和岩土工程结构功能函数不能用显式表达的可靠性分析问题，提出并论证了基于神经网络的随机有限元（有限元蒙特卡罗）分析法。神经网络具有高度非线性的映射能力，可用来逼近结构响应量与随机变量的映射关系。通过典型岩土工程结构的应用实例分析，初步显示了基于神经网络的有限元蒙特卡罗法的应用效果和前景。     

基于神经网络-蒙特卡罗法的隧道初衬可靠度研究

对于功能函数是隐函数的可靠性分析问题,传统的有限元蒙特卡罗法计算量极大。为了克服此缺点,提出了径向基神经网络-有限元蒙特卡罗法(RBF-MCS)。通过样本训练,创建了径向基神经网络模型。利用ANSYS软件中的可靠度分析模块,分析了基本随机变量对隧道初衬轴力的灵敏度大小的顺序。通过此方法和传统的有限元蒙特卡罗法分别计算了大瑶山隧道初衬的轴力和可靠度,并进行了对比分析。基于径向基神经网络-有限元蒙特卡罗法(RBF-MCS)的计算结果与施工实际吻合较好,通过现场观察也没有发现喷层混凝土压裂破坏,可见计算结果是符合实际的。径向基神经网络-有限元蒙特卡罗法比传统有限元蒙特卡罗法更加适合复杂结构的计算,具有更高的效率、精度和适用性。     

基于高斯过程分类与蒙特卡洛模拟的岩土工程结构可靠度分析方法

岩土工程结构可靠度分析中,功能函数一般呈隐式且需借助有限元等数值计算来构建,采用传统蒙特卡洛模拟法求解时常遇到计算耗时大和计算效率低的问题,进而导致该方法在实际工程应用中受到极大限制。将结构可靠度求解问题转化为二元分类问题,把分类性能优异的高斯过程分类模型与蒙特卡洛法相结合,提出了岩土工程结构可靠度分析的高斯过程分类——蒙特卡洛法。根据所建立的隐式功能函数,采用岩土工程结构分析程序构造少量的学习样本,利用学习后的高斯过程分类模型重构极限状态方程,实现随机样本的安全或失效状态的准确识别,进而采用蒙特卡洛抽样模拟获得结构的失效概率与可靠指标。算例研究表明,方法简单易行,与传统蒙特卡洛模拟法相比较,计算效率明显较高,且易于与各种岩土工程结构分析程序或商业计算软件相结合。     

基于可靠度敏感性的神经网络法研究边坡稳定性

针对边坡工程结构功能函数不能显式表达的可靠性分析问题和非线性问题计算量大的弊端．研究结构可靠度敏感性,提出参数的相对敏感性分析方法,并基于该方法提出了神经网络法分析边坡稳定性。具体思路：由可靠指标对随机变量分布参数的相对敏感性分析,确定边坡可靠度主要影响参数;用神经网络模型近似替代响应量与基本变量间的隐式极限状态函数,根据蒙特卡罗模拟法,对网络模型进行可靠度分析,求解结构可靠度指标。基于可靠度敏感性的神经网络法．对均值和成层边坡进行稳定性分析,与传统可靠度计算方法相比．结果表明：该方法分析边坡稳定性是准确的且具有较高的计算效率。     

基于SVR的万向节机构可靠性及灵敏度分析

针对结构隐式极限状态函数的可靠性分析问题,将支持向量机回归理论应用到万向节机构可靠性分析中,提出了一种基于支持向量机回归的万向节机构可靠性分析方法.通过支持向量机回归与一次二阶矩法相结合,利用支持向量机的小样本学习能力,将隐式极限状态函数近似为显式极限状态函数.运用蒙特卡罗法计算出万向节机构的可靠性指标,然后由高精度的显式极限状态方程进行各随机变量的灵敏度分析.最后以某剪切机中万向节机构为对象,进行了机构的可靠性及灵敏度分析.结果表明:该方法具有高精度和高效率的优点,并对其他机械结构可靠性分析具有一定的参考意义.     

利用有理多项式技术计算基于Bishop分析模式的边坡稳定可靠度

文章基于Bishop条分法分析的基本思想,建立了边坡可靠度分析计算模型,并采用有理多项式技术计算功能函数的偏导数,以模拟实际工程中常见的功能函数不能明确的可靠度计算问题.对于功能函数无论是线性或非线性,显式或隐式,该方法都简单且适用.数值结果表明该方法具有较好的效率和精度.     

复杂工程结构非概率可靠度分析的高斯过程动态响应面法

复杂工程结构非概率可靠度分析中,由于功能函数是隐式的,采用解析方法难以求解,针对这一问题提出基于粒子群优化的高斯过程动态响应面方法.该方法通过有限元生成少量训练样本,然后采用高斯过程回归模型重构隐式功能函数的响应面,实现小样本下隐式函数的显示表达,进而利用粒子群优化算法搜索设计点,并构造合理的迭代方式,利用各迭代步的设计点信息动态提升响应面对结构功能函数的重构精度.算例结果表明,该方法是可行的,与基于二次多项式的传统响应面法相比较,该方法的计算效率与计算精度均较高,易于与已有的有限元软件相结合,适用于具有隐式功能函数且计算代价较高的复杂工程结构非概率可靠度分析.     

基于通用生成函数的结构可靠性优化

为提高传统可靠性分析算法求解工程问题的计算效率,将可靠性优化中的双循环法与通用生成函数相结合,建立优化的数学模型进行可靠性分析,并通过k-means聚类和同类项合并缩减计算成本,提高效率.计算结果表明:当优化模型的极限功能函数为线性方程或非线性方程时,通用生成函数的误差分别为6.1%和10%,与一次二阶矩法和二次二阶矩法相比,其在精确度上的优势随着极限功能函数的非线性程度增加而更突出,计算效率明显高于蒙特卡罗法.在随机变量增加且不服从正态分布的工程实例中,基于通用生成函数的可靠性优化方法也比传统的可靠性优化方法精度高、效率快、普适性强.     

岩土体结构失稳概率的二次二阶矩评估方法

常规二次二阶矩可靠性方法只适用于功能函数偏导数(一阶和二阶)能够简便地由解析法求解的工程,使得其难以解决复杂岩土体结构的稳定可靠度问题.针对这一局限,基于数值差分原理,导出功能函数在验算点处各阶导数近似表达式,结合随机变量在X空间和Y空间的变换,构建了基于差分方法的梯度矢量数值求解工具;以该工具置换Breitung二次二阶矩方法中的梯度计算准则,形成一种适用于任意形式功能函数的二次二阶矩可靠度算法,消除了经典方法的局限;利用所提方法解决了功能函数为隐式和未知形式的边坡可靠度问题,展示了该方法解决复杂岩土体结构概率稳定性问题的能力,并同时在基准Y空间内建议了具有普遍意义的合适步长系数值0.01.     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

基于传递函数优化后BP神经网络对泥石流的危险性预测

泥石流危险性预测的可靠性是防治工程建设与减灾救灾相关工作部署的关键,基于Back Propagation神经网络的预测方法,是目前实现危险性等级划分的有效方法之一。利用BP神经网络算法的非线性逼近能力,挑选陇南白龙江小流域26条典型泥石流沟道,结合当地实际情况,选取泥石流危险性的8个主要因素为输入层神经元,以样本数据危险等级为输出神经元,在测试单、双层隐含层网络性能的基础上,提出9种工况组合的传递算法搭配方案,利用L-M算法搜索最优解或者近似最优解,总结传递算法对泥石流预测模型精度的影响及算法的选择顺序。实验结果显示,隐含层采用tansig函数,输出层采用logsig函数,其模型总体误差最小,模型的R训练集、R验证集较大与R测试集分别为0.983 61、0.709 17和0.960 52,准确率达到96.1%。由此可见,选择合适的传递函数可提高网络模型的精准度,能准确划分泥石流风险等级。     

Structural Reliability Analysis Based on Support Vector Machine and Dual Neural Network Direct Integration Method

Aiming at the reliability analysis of small sample data or implicit structural function, a novel structural reliability analysis model based on support vector machine(SVM) and neural network direct integration method(DNN) is proposed. Firstly, SVM with good small sample learning ability is used to train small sample data, fit structural performance functions and establish regular integration regions. Secondly, DNN is approximated the integral function to achieve multiple integration in the integration region. Finally, structural reliability was obtained by DNN. Numerical examples are investigated to demonstrate the effectiveness of the present method, which provides a feasible way for the structural reliability analysis.     

铁路接触网系统可靠度的仿真计算

提出了一种基于径向基神经网络、有限元分析和蒙特卡罗(Monte CarloMethod)数值模拟相结合的铁路接触网系统可靠度的计算和可靠性分析,建立了接触网系统可靠度计算的数学模型和神经网络模型.用此方法计算出了接触网接头线夹的可靠度并就外部参数的变化对可靠性影响进行了评价,该方法精度高、简便易行,为复杂的铁路系统可靠性设计和研究提供了一条新的途径.     

软土深基坑施工过程控制和土体物性参数识别方法研究

将人工神经网络方法应用于软土深基坑开挖施工过程中土体物性参数的识别,并进而通过对饱和－非饱和土变形渗流耦合瞬态过程的有限元数值分析预测出基坑围护结构和土体的各种性状,从而为实现软土深基坑开挖施工过程的控制提供了依据,工程实例分析表明,该方法简单实用,可以满足工程要求。     

基于均匀试验人工神经网络的实用可靠性方法

根据均匀试验的设计提出了一种全新的可靠性计算方法,它有机地综合了人工智能网络.人工神经网络弃用有限单元法（FEM）而改用该方法,一个根本原因在于它能极大地减少计算量.首先,根据随机变量分布情况,通过均匀试验提取出有限样本,将它们看作是有限元法分析的输入参数.其次,基于有限元分析结果利用这些有限的训练样本构建最优的人工神经网络.利用最优人工神经网络的泛化能力,随机得到一个有效的响应值,然后计算出结构系统的可靠性指数.最后,这一计算方法还为进行可靠性分析提供新尝试,在对复杂系统进行实际试验时该方法表现得切实可行且有效.     

基于增量余弦RBF网络的惯性导航初始对准

针对传统高斯RBF网络应用于惯性导航初始对准建模时，对处于两基函数中心点之间的值拟合效果不太理想的情况，提出了一种将增量余弦RBF网络用于惯性导航初始对准建模的方法。该方法采用增量余弦函数作为RBF网络的基函数，对多变量非线性系统有很好的拟合能力。相对于传统高斯RBF网络，增量余弦RBF网络的基函数具有更强的局域性，解算时同时参与运算的基函数数量更少，有效地降低了网络的解算时间。仿真结果表明，增量余弦RBF网络用于惯性导航的初始对准，既可获得较高的对准精度，又有效地降低了系统的解算时间，提高了系统的实时性。