不同结构复杂度下结合集成学习的模型修正方法

摘要

模型不确定性不可避免地影响到数值模型分析精度和可靠性,需要找到一种合适的方法,根据实测数据对模型参数值进行修正。该研究采用结合了过渡马尔科夫链蒙特卡罗(TMCMC)方法的贝叶斯模型修正理论对结构模型参数进行修正。采用Kriging法和多项式混沌展开法(PCE)构造代理模型。将该修正方法应用于两个不同结构复杂度的实例,这两个模型分别代表高维线性模型和非线性模型。在两个实例下验证了代理模型的有效性和准确性,讨论了基于代理模型的修正方法在不同结构复杂度下的优缺点。针对代理模型存在的不足,提出了一种代理集成学习框架进行改进。