基于自适应Kriging代理模型的交叉熵重要抽样法

对于复杂失效域和小失效概率耦合的可靠性分析问题，本文提出了一种交叉熵重要抽样（CE-IS）方法结合自适应Kriging （AK）代理模型的求解方法（CE-IS-AK）。所提方法基于交叉熵原理，用混合高斯模型逐步逼近最优重要抽样密度函数，并采用AK模型协助逼近过程中混合高斯模型的参数的更新，从而提高了CE-IS方法的计算效率。另外，本文还改进了CE-IS方法的收敛准则，避免了方法的冗余迭代，扩大了方法的适用范围。由于在CE-IS方法中引入了AK模型，因此，本文方法所构建的重要抽样函数在保证精度的基础上提高了效率。相较于AK-MCS方法，本文方法中引入了重要抽样的思想，因此在Kriging训练点数目基本相同的情况下，大幅缩减小失效概率计算时样本池规模，并且由于利用了混合高斯模型，因而对多失效域具有较好的适用性。算例分析也证明了本文所提方法的优越性。     

一种新的基本随机变量重要性测度指标体系

综合当前基于方差的重要性测度与矩独立重要性测度的优点,建立了一个新的随机变量重要性测度指标体系。该体系从输出响应量的均值、方差以及可靠度指标方面对随机变量的重要性进行了分析,进而根据不同的要求衡量基本随机变量对系统或模型输出的影响程度。给出了各个重要性测度指标的定义,并探讨了他们与现有的基于方差的重要性测度指标的关系。通过算例说明了所提新的重要性测度指标体系的优越性。结果表明:新指标体系中的指标不但可以反映旧的指标,而且还对其进行了修正,克服了基于方差的重要性分析中随机变量取不同实现值时对输出响应量的影响相互抵消的问题,从而更加合理地衡量随机变量的重要性;与当前矩独立的重要性分析方法相比,新的指标体系在继承其优点的基础上能够从不同侧面更加全面地对随机变量的重要性进行分析,因而具有更广泛的应用范围。     

基于NARX和Kriging的时变可靠性分析双层代理模型

针对具有动态输出性能的结构系统，传统的求解时变可靠性的代理模型方法在建模时只关注当前瞬间作用于系统的随机变量的作用，而忽视了时间累积效果，使得模型对于时变可靠性的预测效果并不理想。基于此，提出了一种基于带外生输入的非线性自回归(NARX)模型和Kriging模型的时变可靠性分析的双层代理模型方法。所提方法在内层利用NARX模型构建给定随机输入变量下输出响应随时间的变化模型，准确模拟系统的动态行为；在外层基于NARX所得极值构建系统极值与随机变量之间的Kriging模型，得到时变结构系统的可靠性。通过3个算例验证了所提方法在处理具有较强波动性输出系统的可靠性问题时的有效性和准确性。