首页 理论教育桥梁可靠度分析算例:显式功能函数

桥梁可靠度分析算例:显式功能函数

【摘要】:图3.10与图3.11中:Ng为种群代数,β′为适应度值,Nit为迭代次数。图3.9拟合的功能函数图3.10基于遗传算法的验算点迭代过程图3.11不同算法的可靠指标迭代过程表3.3算例1的可靠指标计算结果表3.3中,e表示算法的误差,Ns表示样本数量。

Tang等[10]给出了随机变量u1和u2均服从标准正态分布非线性显式功能函数表达式:

按照均匀设计方案在随机变量均值点处生成样本点,拟合功能函数在均值点处的响应面函数,并采用遗传算法搜索验算点并更新功能函数模型。于是,得到如图3.9所示的在验算点处拟合的功能函数。其中,遗传算法中适应度值的迭代过程如图3.9所示。图3.10给出了文献[10]中另外3种算法的分析结果。

图3.10与图3.11中:Ng为种群代数,β′为适应度值,Nit为迭代次数。由于SVR算法的可靠指标最终由MCS得出,所以将传统MCS算法的结果作为精确解。SVR与其他方法的计算结果如表3.3所示。

图3.9 拟合的功能函数

图3.10 基于遗传算法的验算点迭代过程

图3.11 不同算法的可靠指标迭代过程

表3.3 算例1的可靠指标计算结果

表3.3中,e表示算法的误差,Ns表示样本数量。4种算法得到的可靠指标值较为接近。FOSM和RSM的计算结果较精确值大,这是由于这两种算法将功能函数在验算点处近似地展开为一次函数二次函数,无法达到原函数的精度要求。与传统的SVR相比,ASVR在验算点处拟合响应函数,而不是在均值点处,这大大减少了MCS方法的抽样次数。该算例从精度和计算效率方面表明了SVR算法的优越性。