کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
5019280 1468201 2018 9 صفحه PDF 29 صفحه WORD دانلود کنید
عنوان انگلیسی مقاله ISI
A new adaptive sequential sampling method to construct surrogate models for efficient reliability analysis
ترجمه فارسی عنوان
روش نمونه گیری متوالی انطباقی جدید جهت ساخت مدل های جایگزین به منظور تحلیل کارآمد و مؤثر قابلیت اطمینان
کلمات کلیدی
قابلیت اطمینان ساختاری تحلیل قابلیت اطمینان؛ مدل جایگزین؛ شبکه عصبی؛ طرح نمونه گیری تطبیق پذیر
فهرست مطالب مقاله
چکیده

کلمات کلیدی

1.مقدمه

2-روش ارائه شده جهت تحلیل مؤثر و کارآمد قابلیت اطمینان

1-2 الگوریتم نمونه گیری متوالی ارائه شده

جدول1. الگوریتم نمونه گیری متوالی سازگار پیشنهاد شده

2.2. ساختن مدل جایگزین نهایی برای تجزیه و تحلیل قابلیت اطمینان کارآمد

3- مثال های عددی

1-3 مثال مسئله قابلیت اطمینان تک سیستمی

جدول 2: نتایج میانگین محاسبه شده با استفاده از روش های مختلف

شکل 1: فرایند نمونه گیری با استفاده از روش پیشنهادی با Ѱd

شکل 2: فرایند نمونه گیری با استفاده از روش پیشنهادی با Ѱσ

شکل 3: فرایند نمونه گیری با استفاده از روش پیشنهادی با  Ѱm (α = 0.5) 

شکل 4: فرایند نمونه گیری با استفاده از روش پیشنهادی با  Ѱm (α = 0.75)

2-3 مثال نوسانگر غیر خطی دو محوری

3-3 مثال لوله طره سه محوره

جدول 3: جزئیات تمام متغیرهای تصادفی

جدول 4: نتایج میانگین محاسبه شده با استفاده از روش های مختلف

جدول 5: جزئیات متغیرهای تصادفی

جدول 6: نتایج میانگین محاسبه شده با استفاده از روش های مختلف

4- نتیجه گیری

 

 
ترجمه چکیده
مدلهای جایگزین معمولاً جهت کاهش بار محاسباتی برای سیستم های سازه ای با شبیه سازی های زمان بر و پرهزینه استفاده می شوند. در این مقاله، یک مدل انطباقی جدید جایگزین که بر اساس روش قابلیت اطمینان بنا گردیده، ارائه شده است تا مسائلی که در آن بسیاری از روش های قابلیت اطمینان نمونه گیری متوالی انطباقی جدید که به مدل های کریگینگ محدود شده و روش های قابلیت اطمینان شبیه سازی مونت کارلو بر اساس مدل کریگینگ (MCS) نتایج تصادفی را حتی بدون در نظر گرفتن عدم اطمینان از نمونه های اولیه ایجاد نموده اند، برطرف نماید. سه تابع یادگیری جهت انتخاب مناسب ترین نقاط نمونه آموزشی در هر بار روش تکرار محاسبات ایجاد شده و توابع یادگیری و عموماً پیشنهاد می شوند زیرا ملاحظه شده است که این توابع در بسیاری از موارد اندکی بهتر عمل می نمایند. به علاوه، این اطمینان حاصل می شود که بسیاری از نقاط نمونه آموزشی جدید انتخابی از نقاط نمونه فعلی فاصله داشته و تا جای ممکن به توابع حالت محدود نزدیک می باشند. دو معیار متوقف کننده جهت خاتمه دادن به الگوریتم نمونه گیری متوالی انطباقی پیشنهادی داده شده اند. یکی از اصلی ترین مزیت های روش پیشنهادی این است که این روش نه تنها حالتی کارآمد برای تحلیل قابلیت اطمینان سازه ای با حالت های خرابی متعدد را جهت ایجاد نتیجه معین بدون در نظر گرفتن عدم اطمینان نمونه های اولیه فراهم می نماید بلکه در اصل می توان از آنها در هر مدل جایگزین موجود استفاده نمود. دقت و راندمان و همچنین قابلیت کاربرد روش پیشنهادی با استفاده از سه مثال عددی نشان داده شده است.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مهندسی مکانیک
چکیده انگلیسی


- A new adaptive sequential sampling method is proposed for efficient structural reliability analysis.
- Three learning functions are developed for selecting the most suitable sample point at each iteration.
- Two stopping criterions are given to terminate the proposed adaptive sequential sampling algorithm.
- The proposed method can be used, in principle, in any existing surrogate models.

Surrogate models are often used to alleviate the computational burden for structural systems with expensively time-consuming simulations. In this paper, a new adaptive surrogate model based efficient reliability method is proposed to address the issues that many existing adaptive sequential sampling reliability methods are limited to the Kriging models and Krging model-based Monte Carlo simulation (MCS) reliability methods produce random results even without considering the uncertainty from initial samples. Three learning functions are developed for selecting the most suitable training sample points at each iteration, and the learning functions ψσ and ψm are generally suggested because they were found to perform a bit better in most of the cases. Furthermore, most of the newly selected training sample points are ensured to reside far away from existing sample points and reside as close to the limit-state functions as possible. Two stopping criterions are given to terminate the proposed adaptive sequential sampling algorithm. The main advantages of the proposed method are that it not only provides an efficient manner for structural reliability analysis with multiple failure modes to produce a determined result under without considering the uncertainty from initial samples, but also can be used, in principle, in any existing surrogate models. The accuracy and efficiency as well as applicability of the proposed method are demonstrated using three numerical examples.

ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Reliability Engineering & System Safety - Volume 169, January 2018, Pages 330-338
نویسندگان
, , ,