基于Kriging和MCMC的结构可靠性主动学习算法

摘要

在进行机械结构可靠性分析时,由于很多工程问题的性能函数较为复杂,计算成本很高,所以常采用代理模型拟合隐式性能函数来降低计算成本.为了能够利用较少的样本信息,获得较高的可靠度计算精度,将Kriging代理模型与学习函数相结合,提出一种主动学习可靠性分析计算方法.该方法找出学习效果最好的样本点对Kriging模型进行更新,提高了模型的拟合精度.用马尔科夫链蒙特卡洛(MCMC)方法对结构的可靠性进行了评估,加快了样本点的收敛速度,节约了样本空间.通过分析4个算例的结果表明与其他方法相比,该方法能通过较少的样本点得到精度更高的计算结果,降低了计算成本.