论文部分内容阅读
工程中存在着诸多不确定性因素,可靠度理论就是对这些不确定性因素进行研究的学科。目前,可靠性分析方法的主要研究方向是:减少功能函数计算次数,以及提高失效概率的计算精度。在实际工程中,功能函数一般是复杂的隐式函数,很难直接表达成随机变量的显式函数。一次二阶矩法（First-order Second-moment method,FOSM）是常用的可靠度计算方法,但是对一些高度非线性功能函数,求解困难,精度低。蒙特卡洛法（Monte Carlo Simulation,MCS）虽然适用于任何形式的功能函数,但其不足之处是计算成本高、耗时长,有一定的局限性。近年来,代理模型方法成为研究的热点,利用代理模型替代实际的功能函数进行可靠性分析可以提高计算效率,且计算精度较高。本文的主要内容可以简要概括为以下几点:1.对工程结构可靠度的基本理论进行了介绍,包括可靠性、可靠度、随机变量、极限状态、失效概率以及可靠指标等基本概念,传统的一次二阶矩方法、蒙特卡洛方法、现在广泛研究的代理模型方法等可靠度求解的方法。传统响应面法常采用二次多项式构造功能函数,难以拟合非线性程度高的极限状态曲面,且对抽样中心的选择以及抽样方法敏感。Kriging代理模型方法比传统响应面方法精度更高、效率更好,本文工作以Kriging代理模型为基础。2.Kriging代理模型不仅可以提供预测点的均值,还可以提供与之对应的方差（预测不确定性的估计量）,该模型这种独有的特点非常适用于建立“逐渐逼近”的主动学习机制Kriging方法。主动学习Kriging方法是一种基于学习函数U进行主动选点,将Kriging代理模型与MCS相结合进行可靠性分析的方法——AK-MCS（Active learning reliability method combining Kriging and Monte Carlo Simulation）,该方法可以看成是对MCS的改进。该方法对于高度非线性功能函数、系统可靠性和多验算点等复杂问题具有良好的适用性。然而,由于候选样本种群数量过多,选择的最佳样本点可能彼此邻近,造成信息冗余。本文通过引入最小距离约束,提出了基于距离约束策略的主动学习Kriging方法—AK-MDS（Active learning Kriging method based on Minimum Distance constraint Strategy）。该方法可以显著减少功能函数的调用次数,并得到较高的计算精度。3.由于边坡稳定性的影响因素较多、不确定性较大,传统的稳定性分析方法（安全系数法）并不能准确的表达边坡发生破坏的可能性。强度折减法通过不断对岩土体的强度进行降低,在其抗剪强度无法抵抗剪应力时岩土体将会发生破坏,从而可以获得岩土体最危险滑动面以及相应的安全系数。本文使用强度折减法进行边坡稳定性分析,通过MATLAB与FLAC3D软件的数据交互,将AK-MCS和AK-MDS等可靠性分析方法引入到边坡稳定性分析中,计算边坡失效概率,这种方法使得对边坡稳定性的分析与评价更加全面。不同种类的边坡算例表明,相比于传统的响应面方法,AK-MCS方法虽然可以得到精度较高的结果,但是效率稍差;而所提AK-MDS方法,在边坡稳定可靠性分析应用中具有良好的适用性,可以获得良好的计算精度,并具有较高的计算效率。