公开(公告)号：CN119203683A

公开(公告)日：2024-12-27

申请号：CN202411356374.7

申请日：2024-09-27

Applicant: 哈尔滨工业大学

Inventor： 鲍跃全 ,  孙华彬

IPC: G06F30/23 ,  G06F30/27 ,  G06F119/02 ,  G06F111/08

Abstract: 一种基于蒙特卡洛dropout神经网络的结构可靠度主动学习方法，解决现有方法在处理高维强非线性问题时仍然需要大量调用耗时的有限元分析计算极限状态函数的问题，所述方法包括：利用基于MC‑dropout神经网络作为代理模型，利用其预测的均值和标准差来引导每次迭代中的主动学习过程。通过识别并选择那些靠近极限状态曲面且具有显著不确定性的新样本，用于更新代理模型，从而逐步提升模型的精度和可靠性。此外，采用MC‑dropout神经网络的集成技术来估计失效概率，进一步提高了分析的准确性。为了确保主动学习过程的有效进行，本发明还引入了两个收敛准则来判断何时终止学习过程。本发明还适用于结构可靠度分析。

公开(公告)号：CN118194965A

公开(公告)日：2024-06-14

申请号：CN202410349268.X

申请日：2024-03-26

Applicant: 哈尔滨工业大学

Inventor： 鲍跃全 ,  孙华彬 ,  关效澍 ,  田雨翾

IPC: G06N3/091 ,  G06N3/0455 ,  G06N3/0475 ,  G06N3/094

Abstract: 基于深度对抗自编码器充分降维神经网络的结构可靠度主动学习方法及系统，本发明涉及结构可靠性评估领域,解决现有技术中在处理高维强非线性可靠度分析问题时，仍需要大量调用耗时的有限元分析计算极限状态函数，且代理模型方法在处理高维非线性可靠度分析问题时仍面临挑战。所述方法包括：将基于深度对抗自编码器充分降维神经网络作为代理模型，将原始高维变量空间映射到低维潜变量空间；低维潜变量空间服从高斯分布，且原始高维变量空间中复杂的极限状态面被简化为低维潜变量空间中清晰的极限状态面；反复筛选出候选样本，低维潜变量空间服从的高斯分布从候选样本中均匀采样；直至失效概率收敛。适用于可靠度分析、土木工程结构健康监测领域中。