基于SMOTE算法的船舶结构可靠性优化设计

针对常规船舶结构可靠性优化设计由高度非线性带来的计算效率低、收敛困难的问题,提出了基于SMOTE(Synthetic Minority Oversampling Technique)算法的船舶结构可靠性优化设计方法.利用SMOTE算法建立了改进的BP (Back Propagation)神经网络模型,以较少的样本点完成了极限状态函数的高度近似,克服了以往代理模型不能同时满足精度和效率要求的缺点,并通过数学算例验证了使用SMOTE算法建立BP神经网络模型的可行性和有效性.将改进的BP神经网络模型和模拟退火法嵌入单循环优化策略,并将其用于船舶舱段的可靠性优化设计,验证了所提出的可靠性优化设计方法的求解效率和精度,为大型工程结构的可靠性优化设计提供了思路.     

基于神经网络的蒙特卡罗可靠性分析方法

在结构可靠性分析中,蒙特卡罗(MC)是最准确的方法,但是对大量样本点的精确计算限制了它在工程实际中的应用.为了减少分析次数,以BP(Back Propagation)神经网络技术为基础,提出了一种改进的MC方法(BP-MC).该方法通过进行实验设计(DOE)构建BP模型,以权重因子和到失效面的距离作为筛选准则,从MC样本点中筛选出失效面附近的点添加至训练集,重新训练BP模型直至满足收敛准则.随后以该BP模型识别样本点是否处于失效域,从而计算结构的失效概率.最后,以数学模型和加筋板极限强度可靠性计算为例,验证了BP-MC算法的准确与高效.