《关于可靠度分析的若干方法》由会员分享，可在线阅读，更多相关《关于可靠度分析的若干方法（12页珍藏版）》请在金锄头文库上搜索。
1、1关于可靠度分析的若干方法关于可靠度分析的若干方法1.1.一次二阶矩法一次二阶矩法（1 1）中心点法）中心点法中心点法的基本思路就是将非线性功能函数在其随机变量均值(中心点)处Taylor级数展开并取至一阶项，然后近似计算功能函数的平均值和标准差，而结构可靠度可用功能函数的均值和标准差来表示。假设为结构中互不相关的n个基本随机变量，其均值为nxxx,.,21标准差为，将功能函数Z=G()在),.,2, 1(niix),.,2 , 1(ni ixnxxx,.,21均值处Taylor级数展开并取至一阶项：)(),.,(121inxiniixxxxxGGZ 由此可计算出功能函数的均值和标准差为：),
2、.,(21nxxxZG nix iZixG122 从而结构的可靠度可表示为： nix ixxxZZinxGG122),.,( 21由以上论述可知，中心点法的最大的优势在于计算简便，不需要进行过多的数值计算，但其缺陷也是非常明显的：不考虑随机变量的分布类型；将非线性功能函数在基本随机变量均值处展开不合理，这是因为均值不一定在结构的极限状态面上，因此展开后2的功能函数可能会较大地偏离原来的极限状态面；对有相同力学含义但数学表达式不同的极限状态方程，求得的结构可靠指标值不同。（2 2）验算点法（）验算点法（JCJC 法）法）验算点法的特点是能够考虑非正态的随机变量，在计算工作量增加不多的条件下，可对
3、可靠指标进行精度较高的计算。对于极限状态方程中包含非正态分布的随机变量的情形，在进行其可靠度分析时，一般要把非正态随机变量当量化为正态随机变量。当量正态化方法即为JC法。它的基本思想就是：在设计验算点处，当量正态随机变量 (其均值 ,标准差为)的分布*x*X*IX*IX函数值与原随机变量(其均值 ，标准差为)的分布函数值*IXF*ix*Ix相等；在设计验算点处，当量正态随机变量 (其均值*IxF*x*X,标准差为)的概率密度函数值与原随机变量(其均值 *IX*IX*IXf*ix，标准差为)的概率密度函数值相等。*Ix*Ixf下面详细介绍一下验算点法的具体步骤。引入标准正态随机变量，令：i=1,
4、2,n iixxi ixy1极限状态方程可表示为：0)(),.,( 111yGyyGZ nnxnxxx2定义方向余弦：3 nixyixy i iiiyGyG122*| 3其中，表示标准正态空间内极限状态曲面的切平面的法线垂足，*y又可称为设计验算点。表示功能函数对基本随机变量的偏导数*|yiyG 在设计验算点处的值。根据方向余弦的定义可得：iiy4因此根据，两式可将原随机变量表示为：14，i=1,2,n ixixiix*5联合， ，三式可求解和原始设计验算点。上述计算过程通345* ix常需要迭代直到前后两次计算所得可靠度相差不大，且原始设计验算点满足极限状态方程式为止。因此， 和的迭代计算*
5、 ix2 *x过程为：(1)设置原始随机向量初始迭代点，如取均值，即，*xxiix*i=1,2,n；(2)由式计算标准正态空间的设计验算点；1* iy(3)计算功能函数梯度和方向余弦在设计验算点处的值；*|yiyG *y(4)将方向余弦值和随机变量的均值、标准差代入，两式求出i25值和原始设计验算点；*x(5)判断前后两次计算所得的值之间的误差是否满足精度要求，以4及设计验算点是否满足极限状态方程。如果不满足要求则将(3)步*x中计算所得的代入步骤(2)，重复步骤(3)至步骤(5)，直到结果满*x足要求为止。2.2.响应面法响应面法大型复杂结构的内力和位移一般要用有限元法进行分析，当对结构或结
6、构构件进行可靠度分析时，所建立的极限状态方程也不再是一个显式表达式，从而造成了迭代求解可靠度的困难.响应而法是近年来发展起来的处理此类问题的一种有效方法，其基本思想是先假设一个包括一些未知参量的极限状态变量与基本变量之间的解析表达式，然后用插值的方法来确定表达式中的未知参量。选择响应面的表达式时，一方面要求尽可能地逼近真实曲面；另一方面则要求尽可能简单。在实际应用中，通常可取为二次多项式形式：jninjiijiniin ixxaxaaxG 11101其中，是待定系数，共有个。若不考虑上式中的ijiaaa,02) 1(1nnn交叉项，则待定系数的个数可减少至2n+1个，即：)(jiaij2110
7、1iniiiiniin ixaxaaxG 因此，由上述论述可知，待定系数的求解是响应面法应用的关键。为了得到响应面表达式中的待定系数，需要选择足够的展开点来计算极限状态函数的值，进而通过联立方程组求解待定系数n ixG1，即可得到响应面函数的拟合表达式。ijiaaa,05在实际计算过程中，为了提高计算精度，通常需要引进一些数值计算的冗余度，即所得到的方程的个数必须大于待定系数的个数，然后利用最小二乘法求待定系数的值，即：ijiaaa,0 GXAXXTT由此可得待定系数为： 1GXXXATT其中，系数矩阵或向量为： nknkkknkiknkknnnnxxxxxxxxxxxxxxxxX,1,2,1
8、 ,2 ,2 ,1 , 11, 12, 11 , 12 , 12 1 , 1, 11 , 1.1.1G=G1,G2,GkA=a0,a1,an,a1,1,an,n,a1,2,an-1,nT其中，xij为第i组数据中第j个随机变量的样本值；Gi为第i组随机变量样本值代入响应面函数中所得到的值。但上述方法随着随机变量数目的增加，其计算量将变得非常庞大，因此在实际计算过程中不需要在整个空间上使响应面和n ixG1精确的失效界面相吻合，只需要在验算点附近一致即可。因n ixG1为，这一区域对结构总的失效概率贡献最大，因此 GXAXXTT式中应将展开点取在验算点附近，但是在计算时并不知道验算点的位置，因此
9、，需要预先选取随机变量展开点的取值范围。如果展开点取值范围很宽，验算点比较容易落在该范围内，但是所得到的多6项式对实际的失效函数的拟合度就比较差；若取值范围过窄，验算点就有可能不落在该范围内，从而使所得到的多项式不能与实际的极限状态函数在该点处拟合。因此，在实际计算过程中，若已知各基本随机变量的分布类型和分布参数，则首先以均值点为中心，展开点的选择范围则取为,其中别为随机变量xi的均值和标准差，如下图所xixixifxixi,示为两个随机变量的插值点选取。取若干组展开点后就可以计算极限状态函数的近似表达式，第一次得到的结果在验算点附近可能与真实的极限状态函n ixG1数的拟合程度并不是很好，这
10、时可根据计算近似的验n ixG1n ixG1算点，然后以近似验算点为中心展开点，重复上述计算过程，直到达到精度要求为止，计算过程可形象地表示如下：7均值处的样本点设计验算点处的样本点其中，曲线为真实的失效界面：直线为拟合的失效界面；“”表示展开点。另外，在随机变量比较多的情况下，涉及到交叉项的响应面法的计算量比较大，所以可根据实际情况忽略响应面展开式中的交叉项，简化计算。同时，在实际计算过程中，若结合有限元法来计算功能函数的值，则可以运用响应面法分析各种复杂n ixG1的工程问题。在拟合响应面求出以后，采用蒙特卡罗法或其他改进算法进而求出结构的失效概率。83.3.蒙特卡罗方法蒙特卡罗方法蒙特卡
11、罗方法是一种采用统计抽样理论近似地求解数学问题或物理问题的方法。利用蒙特卡罗方法解决问题，其基本思想是:首先建立与描述该问题有相似性的概率模型，并利用这种相似性把这个概率模型的某些特征(如随机变量的均值、方差等)与数学计算问题的解答联系起来，然后对模型进行随机模拟或统计抽样，最终利用所得结果求出这些特征的统计估计值作为原来的数学计算问题的近似值。假设有n个统计独立的随机变量X1,X2,Xn，其对应的概率密度函数分别为，极限状态函数为，现在计xnxxfff,.,21),.,(21nxxxgZ 算结构的失效概率。fP蒙特卡罗法求解结构失效概率的过程如下:(1) 首先用随机抽样分别获得各变量的分位值
12、；nxxx,.,21(2) 计算极限状态函数值: ；),.,(21nixxxgZ (3) 设抽样数为N，每组抽样变量分位值对应的极限状态函数值为，0有:201lim1 niinxnP另有，若随机事件A发生的概率为P(A),在n次独立试验中，事件A发生的频数为m，频率为W(A)=m/n，则对于任意 0有:1)(lim APnmP n蒙特卡罗法是从同一母体中抽去简单子样来做抽样试验。根据简单子样的定义，是n个具有相同分布的独立随机变量，由nxxx,.,21上两式可知，当n足够大时，依概率收敛于，而频率m/n依nxi)(概率收敛于P(A)，这就是蒙特卡罗法的理论基础。设抽样次数为N，每组抽样随机数对
13、应的功能函数值为，)(ig的次数为L，则在大批抽样后，结构的失效概率可由下式计算:0)(igNLPf/蒙特卡罗法的误差可由下式计算:21)()1 (2 ffPNP可见取样数N越大，误差 越小。因此，要达到一定的精度，N必须取得足够大。一般应满足:fPN100式中为预先估计的失效概率。在工程中，一般是个很小的fPfP数，因此要求计算的N非常大，但据有关资料，N取500次即可满足工11程精度。现在的问题归结为:如何得到各随机变量戈的抽样，其条件是使Xi满足它的概率分布函数F(xi)或概率密度函数f(xi)。根据随机变量函数的理论，只要知道一种具有连续分布的随机变量，就可以通过变换或运算产生其它任意
14、分布的随机变量。而0，1区间均匀分布的随机变量是最简单最基本的分布，因此只要能够产生0，1区间上均匀分布的随机数列，便可通过数n,.,21学变换得到其它分布的随机数列。电子计算机都备有可直接使用的均匀分布随机数函数或程序，如RAND等。一般是用数值转换中的求余法得到的，这样产生的随机数列，是根据确定的算法递推出来的，严格地讲并不是随机的，因此称为伪随机数。不过如果计算方法选得恰当，它们近似于相互独立和均匀分布，在一定的置信度下，能通过统计检验中的参数检验、独立性检验、连续检验等，因此可以把它们当作真正的随机数使用。蒙特卡罗方法的解题步骤如下:(1) 根据提出的问题构造一个简单、适用的概率模型或随机模型，使问题的解对应于该模型中随机变量的某些特征(如概率、均值和方差等)，所构造的模型在主要特征参量方面要与实际问题或系统相一致。(2) 根据模型中各个随机变量的分布，在计算机上产生随机数，实现一次模拟过程所需的足够数量的随机数，进行“抽样”。通常12先产生均匀分布的随机数，然后生成服从某一分布的随机数，方可进行随机模拟试验。(3) 根据概率模型的特点和随机变量的分布特性，设计和选取合适的抽样方法，并对每个随机变量进行抽样(包括直接抽样、分层抽样、相关抽样、重要抽样等)。(4) 按照所建立的模型进行仿真实验、计算，求出问题的随机解。(5) 统计分析模拟试验结果，给出问题的概率解以及解的
